Evo AI 设计出 16 种可存活的细菌病毒，但安全护栏仍然滞后

Google News 正在放大一项引人注目的成果：研究人员借助 Evo AI 设计了数百种生成基因组，并从中筛选出 16 种可存活的病毒。

这些病毒是噬菌体，即感染细菌的病毒，而非感染人类、动物或植物的病毒。研究人员合成了生成的 DNA，发现其中 16 种设计能够感染并在 E. coli 细胞内复制。

这一区别降低了眼前的危险，但并未消除核心矛盾。生成式 AI 已从提出单个生物组件，发展到编写经物理组装后能够发挥功能的完整基因组。

斯坦福大学和 Arc Institute 团队还报告了一项积极结果：包含生成噬菌体的鸡尾酒疗法，克服了三种已对天然参考病毒产生适应性的 E. coli 菌株的耐受性。

然而，同一项实验也给现有生物安全体系带来压力。许多防护措施旨在识别已知危险序列，而生成式模型能够产出与参考数据库中任何序列都不同、却具备功能的设计。

这正是这则报道的重要性超越惊悚标题的原因。研究人员并未创造人类病原体，其方法也仍需要广泛的实验室专业能力。不过，他们证明了 AI 生成的基因组能够成为一个可复制的生物系统。

Evo AI 实际创造了什么

该实验产生的是可正常运作的细菌病毒，而不是自主数字生物体，也不是能够感染人类的病毒。

由 Samuel King 和 Brian Hie 领导的研究人员使用了 Evo 1 和 Evo 2 基因组语言模型。这些系统处理遗传序列的方式，与文本模型处理书面语言的方式相似。

核苷酸是 DNA 中以 A、C、G 和 T 字母表示的化学构件之一。基因组语言模型会学习这些字母在生物序列中呈现的统计关系。

根据该模型的技术手稿，Evo 2 最初在单核苷酸分辨率下，以超过 9.3 万亿个 token 进行训练。其训练语料涵盖生命众多分支的遗传物质。

在本次实验中，研究人员将任务聚焦于 Microviridae——一个小型噬菌体家族。他们使用约 15,000 个相关基因组对模型进行了专门训练。

其参考对象为 ΦX174，读作 phi X 174。这种被广泛研究的噬菌体拥有一个环状基因组，包含 5,386 个核苷酸和 11 个基因。

这种较小的规模使其成为全基因组生成的实用测试案例。人类基因组包含超过 30 亿个 DNA 碱基对，而 ΦX174 仅需要数千个核苷酸。

模型生成了数十万个候选序列。随后，计算筛选剔除了长度、核苷酸组成、基因结构或预测宿主靶向性不合适的设计。

研究人员选出了 302 个候选对象进行合成。根据底层噬菌体研究，他们成功组装了 285 个生成的基因组。

其中 16 个基因组在实验室测试中产生了可存活的噬菌体。这里的“可存活”意味着，合成 DNA 在细菌细胞内启动了完整的感染周期，并产生了新的病毒颗粒。

这一成功率并不高，约占已组装候选对象的 5.6%。不过，生成效率并非该研究的决定性成果。

真正重要的变化是质的变化：AI 输出跨越了屏幕上看似合理的序列与能够引导生物复制的完整基因组之间的界限。

这些可存活设计仍与 ΦX174 有关。它们并不是在没有生物学指导的情况下组装出的任意生命形式，模型也并非从零发明了每一项功能原理。

研究人员保留了靶向预定细菌宿主所需的关键特征。他们的筛选过程也在寻求与天然基因组存在有意义差异的同时，优先保留可识别的病毒结构。

一些生成噬菌体在蛋白质层面展现出显著的遗传新颖性。其中一种包含远缘相关的 DNA 包装蛋白，但该蛋白仍能在病毒的物理结构中发挥作用。

若干设计能够有效与 ΦX174 竞争，或更快地裂解细菌细胞。这些发现表明，模型可以探索传统逐突变工程可能遗漏的组合。

因此，该实验结合了生成、计算筛选、化学合成和实验室筛选。AI 提出基因组，但由人类研究人员决定哪些设计足够安全，可以进行构建和测试。

在解读 Google News 标题时，这一工作流程至关重要。Evo 并没有独立释放病毒、运营实验室，或自行选择研究目标。

人类提供了目标生物体、训练策略、安全边界、筛选规则、合成流程和实验验证。结果是 AI 辅助的生物工程，而非无监督的数字创造。

为什么这 16 种可存活噬菌体重要

全基因组生成将 AI 在生物设计中的角色，从编辑部件扩展到同时协调众多相互作用的部件。

早期的生成式生物学系统通常聚焦于蛋白质、调控元件或其他范围有限的分子结构。这些目标仍然复杂，但它们并不能独立编码完整的复制周期。

一个具备功能的病毒基因组必须协调多个过程。它需要进入合适的细胞、重定向细胞机制、复制遗传物质、组装颗粒，并释放可存活的后代。

一次有缺陷的相互作用就可能终止这一周期。能够产生 16 种正常工作的噬菌体，表明 Evo 捕捉到了超越孤立基因的关系。

这一结果并不意味着该模型像科学家一样理解生物学。基因组语言模型识别模式，并生成具有统计兼容特征的序列。

不过，生物功能才是关键检验。一段序列在软件中看起来可能令人信服，但合成后仍可能失败，因为其组成部分无法在细胞内协同运作。

研究人员跨越了这一验证鸿沟。他们生成的序列经受住了组装，并在 E. coli 中产生了可观测的感染。

更具实际意义的结果涉及细菌耐药性。研究人员首先培育出三种已对天然 ΦX174 产生耐受性的 E. coli 种群。

随后，他们让这些种群接触包含生成噬菌体的鸡尾酒疗法。噬菌体种群在实验过程中发生演化，并克服了所有三种细菌菌株的耐受性。

这一结果指向噬菌体疗法，即利用感染细菌的病毒靶向细菌感染。随着抗生素耐药性限制既有治疗手段，人们对这一方法的兴趣不断增加。

天然噬菌体本已提供了庞大的发现资源库。然而，要找到能够攻击正确细菌菌株的噬菌体，可能需要大量采样、测试和适应。

生成式设计提供了另一条路径。研究人员可以从已知生物结构出发，指定所需宿主特性，并搜索大得多的设计空间。

这并不意味着生成噬菌体已是可直接使用的药物。治疗开发还需要安全性测试、生产控制、剂量研究、临床试验和监管审查。

噬菌体也带来独特挑战，因为它们能够演化。它们的相互作用取决于细菌菌株、患者免疫系统以及感染部位的条件。

一种能够对抗实验室 E. coli 的鸡尾酒疗法，并不会自动对人类感染有效。它也无法据此证明其在体内其他细菌群落中的安全性。

不过，该实验改变了起点。科学家不再仅限于在自然界发现病毒，或手动修改少数基因组区域。

他们可以要求模型提供多样、完整的候选对象，再通过实验室测试识别有用行为。这形成了更快的设计与筛选循环。

这项工作也延续了一条悠久的历史脉络。二十多年前，科学家就已用化学组件合成 ΦX174 基因组。

改变的是蓝图的来源。早期合成工作复制的是已知基因组，而 Evo 生成了此前未在自然界观察到、但仍可存活的组合。

Nature 将其描述为首份有关 AI 设计病毒的报告，同时强调了其细菌特异性靶标。其独立报道还指出，这些设计可能用于对抗耐药 E. coli。

这种新颖性与功能性的结合，解释了它为何在 Google News 上受到关注。16 这个数字令人印象深刻，但可复用的基因组设计流程才是更重大的进展。

如果该方法能够迁移至其他噬菌体家族，它可能帮助研究人员靶向影响医疗、农业、食品生产和工业发酵的细菌。

每一次迁移都需要新的训练数据、生物学约束、宿主测试和遏制措施。小型噬菌体的成功并不保证在更大基因组上同样成功。

即便如此，该实验已确立了一条可信的技术路径。模型生成如今可以位于实验流程的前端，而流程最终产出的是具备功能、能够演化的生物对象。

Google News 标题掩盖了核心权衡

能够拓宽抗菌疗法搜索范围的同一能力，也可能削弱生物安全背后的既有假设。

益处与风险源自同一项特征：模型可以提出超出已知自然实例目录的功能性生物序列。

对医疗而言，新颖性有助于研究人员摆脱耐药性。已适应某种噬菌体的细菌，可能仍易受足够不同的生成设计影响。

对安全而言，新颖性带来了检测问题。若防护措施严重依赖于将订单与已知病原体序列进行比对，便可能遗漏具有类似功能的陌生序列。

这并不意味着研究人员规避了筛查。他们的项目在机构实验室控制下使用小型噬菌体，并刻意限制危险生物学内容。

研究人员从相关训练数据中排除了感染真核生物的病毒。真核生物包括人类、其他动物、植物和真菌。

他们还评估了模型是否会生成与感染这些生物的病毒相似的序列。报告的测试并未显示出这种不受欢迎的能力。

他们选定的噬菌体靶向特定 E. coli 菌株。在报告的测试中，16 种生成设计中的 15 种连同 ΦX174，均抑制了 E. coli C 和 W。

研究人员未在接受测试的六种 K-12 和 B 菌株中观察到抑制作用。这一狭窄的宿主范围支持了这样的说法：设计筛选保留了细菌特异性。

这些防护措施对于该实验而言是合适的，但它们依赖于负责任的研究人员选择实施。它们并不构成普遍适用的治理体系。

约翰斯·霍普金斯大学健康安全中心的 Thomas Inglesby 和 Moritz Hanke 在随 Science 论文发表的评论中强调了这一缺口。

他们肯定了相关预防措施，同时认为功能性基因组生成带来了紧迫的生物安全与生物安保问题。他们担忧的核心在于，能力扩散的速度可能快于可执行监管的发展速度。

这是本文的核心权衡。对基因组模型施加过于宽泛的限制，可能会拖慢抗生素、诊断、制造和基础生物学等领域的宝贵工作。

但若让先进模型和合成流程在缺乏一致控制的情况下发展，则会带来另一种风险。更多用户可以探索生物设计，却未必接受过同等程度的生物安全和安保培训。

当前实验并未证明 Evo 能够设计人类病原体，也未表明缺乏经验的人可以复现实验室结果。

主导研究人员已强调这些局限性。King 此前曾表示，该过程具有挑战性，依赖大量专业知识、时间和实体实验。

这一限定很重要，因为生成的序列本身并不是病毒。要将数字化 DNA 转化为可发挥功能的噬菌体，还需要合成、组装、合适的宿主细胞、设备、实验流程以及生物学故障排查。

失败仍然很常见。在 285 个完成组装的设计中，有 269 个未能在报告的测试条件下产生可存活的噬菌体。

更大或更危险的病毒也可能面临远高得多的设计难题。它们可能依赖复杂的宿主相互作用、免疫逃逸、传播特性以及全基因组尺度的调控。

然而，风险评估不能假定当前的难度会保持不变。模型会不断改进，合成技术会变得更易获取，自动化实验室也会减少人工操作。

相关问题并不是这项单一研究是否造成了直接的大流行威胁，而是已展示的能力是否改变了未来防护措施必须认识到的风险。

现有的序列筛查是其中一层防线。它会检查 DNA 订单中是否存在令人担忧的相似性，并可在材料交付给客户前触发审查。

研究人员已经表明，生成式系统可以在保留危险蛋白功能的同时重新设计遗传指令。这会使基于简单相似性的检查变得更加复杂。

与此同时，完整基因组提供的上下文信息多于短片段。这种上下文可帮助先进筛查系统识别值得关注的生物学功能。

因此，这场安全竞赛是动态的。生成式模型会产出更多新颖设计，而筛查模型也获得了更好的工具，用于分析意图、结构和功能。

合理的应对措施必须覆盖双方。模型开发者需要进行能力评估，合成服务商则需要采用现代筛查方法。

科研机构同样需要在实验开始前开展风险审查。期刊和资助方可以要求记录训练数据排除项、安全测试和披露决策。

各国和不同服务商之间的政府政策仍不均衡。有害使用者可能会寻找筛查较弱、监管不力的工具，或执法有限的司法辖区。

核威胁倡议组织提出了分层的生物设计护栏，将模型防护与合成筛查及专家生物安全审查结合起来。

没有任何单一层级能够承担全部责任。模型拒答无法约束开放权重系统，而订单筛查也无法覆盖每一种本地合成路径。

这正是最戏剧化的 Google News 摘要经常忽略之处。眼前的实验受到控制，但这项能力属于一个防御措施并不一致的生态系统。

科学结果比病毒化叙事更有力

将这些设计称为“新病毒”是准确的，但标题可能夸大它们的独立性、新颖性和危险性。

这 16 种噬菌体的基因组此前从未在自然界中观察到。它们是功能性病毒，因为它们能够感染细菌细胞并复制。

然而，它们仍是基于 ΦX174 及相关 Microviridae 序列、受到严格约束的设计过程的后代。

模型并非从一个空白提示词开始，凭空发明一种无关的生物体。研究人员在一个明确的病毒家族上对其进行微调，并保留了关键的宿主靶向特征。

他们还利用明确的生物学要求筛选候选序列。这些要求包括基因组长度、核苷酸组成、预测基因，以及用于宿主识别的刺突蛋白相似性。

最终得到的噬菌体将熟悉的组成部分与新的排列方式和突变结合起来。一些设计与已知近缘种存在显著差异，尤其是在预测蛋白层面衡量时。

这使得“新颖”一词在科学意义上站得住脚，但并不意味着每种噬菌体都完全脱离了进化先例。

自然进化持续产生病毒变体。研究人员也已有数十年修改病毒、合成基因组和在实验室中筛选突变的经验。

新的贡献在于，生成式模型能够大规模产出完整的候选基因组。它在实验室筛选之前，协调了整个紧凑基因组范围内的变化。

该实验还测试了一种特别易于研究的病毒。ΦX174 已被研究超过一个世纪，其基因组是人类首次完成测序的完整 DNA 基因组。

科学家对其紧凑的遗传架构有着异常深入的了解。这些知识使建立筛选条件和解释失败结果更为容易。

更复杂的病毒拥有更长的基因组和额外的调控层。一些病毒会与多种组织、免疫防御机制和环境传播路径发生相互作用。

涉及 ΦX174 的结果不能线性外推至流感、冠状病毒或其他人类病原体。两者之间的生物学距离过于遥远。

将这 16 种噬菌体描述为 AI 独自行动同样具有误导性。科学家选择了问题、制定了约束条件、合成了输出结果，并完成了每一项实体测试。

模型加快了候选序列的生成，但并未取代实验生物学、机构监督或人类判断。

另一个不确定性涉及该方法在这一病毒家族之外的可重复性。该研究展示了一条成功流程，而不是一个能够设计任何生物体的通用系统。

经同行评审的 Science 论文增强了人们对报告实验的信心。然而，独立实验室仍需检验该方法能否可靠地迁移到不同噬菌体家族和细菌宿主。

商业实用性则更不确定。一个能在培养环境中杀死细菌的候选物，在进入临床开发前仍需跨越高得多的门槛。

研究人员必须考察非预期基因转移、与毒素相关的序列、免疫反应、稳定性、制造质量以及与有益细菌的相互作用。

噬菌体疗法还面对一个不断变化的目标。细菌会进化出抗性，噬菌体也会随之进化。

这种进化关系带来了治疗机会，但也让固定产品的监管更加复杂。一种会随时间有意变化的治疗手段，并不像传统的小分子药物。

近期关于噬菌体监管的研究认为，现有审批体系通常假设产品组成稳定且固定。AI 生成的噬菌体鸡尾酒疗法使这种错配更加明显。

该研究的抗性实验展示了两面性。进化帮助噬菌体混合物恢复活性，但一种会演化的疗法需要谨慎监测和质量控制。

因此，读者应当拒绝两种过于简单的解读。

第一种认为该实验创造了危险的人类病毒。事实并非如此。

第二种认为噬菌体无害，因此这项工作不涉及任何安全含义。这个结论同样过于宽泛。

噬菌体本身以细菌为靶标，但这套设计流程教会研究人员如何生成、筛选、合成和验证完整病毒基因组。

即使特定产品不可直接迁移，方法仍可以迁移。生物安全分析必须考虑该流程发展了哪些能力，以及这些能力可能导向何处。

Trends in Genetics 上一篇以安全为重点的综述将可存活的 AI 设计噬菌体描述为证据，表明基因组设计已从理论可能性走向实际展示。

该综述还指出，数据质量、模型偏差和双重用途应用仍是持续存在的关切。其安全分析支持开展治理，而非将每一种生物模型都视为同样危险。

最准确的解读介于庆祝与恐慌之间。Evo 在受限条件下帮助实现了一项真正的科学里程碑。

这一里程碑支持抗菌研究，并验证了全基因组尺度的生成能力。它也消除了政策制定者推迟认真监管的一个理由：对功能性 AI 生成基因组是否可行的疑虑。

监管机构和研究人员接下来应关注什么

下一阶段将由重复验证、更广泛的宿主靶向，以及围绕模型和 DNA 合成建立可执行的防护措施所定义。

第一个信号是独立的技术验证。其他实验室必须确定，Evo 的流程能否持续产出针对不同细菌物种的可存活噬菌体。

重复验证将强化这样一种主张：基因组生成正在成为一种可复用的工程方法。若迁移效果不佳，则表明成功高度依赖于 ΦX174 非同寻常的简单性和广泛的研究历史。

最有参考价值的结果应报告完整漏斗。研究人员应披露生成、筛选、合成、组装并被证明可存活的序列数量。

仅有标题中的计数无法展示效率。这 16 次成功来自庞大的计算候选池和 285 个完成组装的候选物。

未来工作还应将模型生成的候选物与传统定向进化和专家设计的噬菌体进行比较。如果既有方法仍然更快、更安全或更可靠，更高的新颖性意义有限。

第二个信号是向具有临床相关性的细菌扩展。研究人员很可能会测试以造成严重治疗难题的耐抗生素病原体为靶标的噬菌体。

在这方面取得成功将强化生成式基因组设计的医学价值，但也会提高失败、非预期宿主效应或失控基因转移的后果。

临床进展应通过安全性数据、动物研究、制造一致性和经过谨慎治理的试验来衡量。实验室中的细菌杀灭效果只是一个早期检查点。

宿主范围值得特别关注。为一种细菌菌株设计的噬菌体，不应意外扰乱无关生物体或有益微生物组。

研究人员还必须追踪进化稳定性。生成的噬菌体可在复制后发生突变，从而改变其有效性或生物学行为。

第三个信号是生物安全控制是否变得强制化、可互操作且具备功能识别能力。当服务商遵循不同标准时，自愿性指南会留下缺口。

现代筛查应评估的不只是与已知病原体的直接相似性。它还应考虑预测功能、片段组合、客户身份、订单背景和异常设计模式。

模型开发者需要开展评估，测试系统是否能够生成令人担忧的生物学能力。访问控制应根据已展示的风险作出响应，而非仅依据模型规模或营销标签。

研究机构应在敏感项目开始前建立前置的风险—收益审查机制。Johns Hopkins 研究人员提出的一项 2026 年双重用途框架主张，应在能力和数据扩散前审查生物 AI 项目。

这种方法无法消除不确定性，但可以在发表前识别更安全的实验靶标、适当的隔离措施、受限输出和披露限制。

治理同样需要国际协调。DNA 订单、开放模型、研究团队和云实验室跨越国界的速度，可能快于各国法规的制定与更新。

过度宽泛的限制，可能会将合规研究挤出透明的机构体系；而过于薄弱的管控，则可能引发一场将安全视为可选项的竞赛。

一套可行的体系应将审查重点放在能力、访问权限、合成以及实验背景上，而不应将每一种基因组预测工具都视为病原体设计平台。

透明度很重要，但无限制披露并不总是最安全的默认做法。研究人员可以发表科学结论，同时保留那些会显著增加滥用风险的操作细节。

这类决定需要可信的审查机制、明确的标准和问责制度。个人研究人员不应在缺乏机构和政府支持的情况下独自承担全部责任。

Google News 将继续偏爱最简单的叙事：AI 制造了病毒。读者、政策制定者和技术团队应关注其背后那些不那么戏剧化的指标。

独立团队能否在更困难的生物学目标上复现这一方法？生成的噬菌体能否在不带来不可接受不确定性的前提下，提供有意义的收益？

最重要的是，在基因组设计变得更便宜、更易于自动化之前，筛查和治理能否取得进展？

当前研究并未表明 AI 能够轻易制造一场人类大流行病。它展示的是一项更精确、也更具即时可操作性的能力。

基因组语言模型能够提出完整的病毒 DNA，而经过训练的研究人员能够将其中一些方案转化为可复制的噬菌体。

这项能力如今值得获得与其医学潜力同等持续的关注。与其追逐 Google News 上最喧嚣的标题，不如关注验证研究、安全标准和合成规则。