斯坦福AI工具Evo 2首次人工设计全新噬菌体病毒

2026年8月，斯坦福大学研究团队利用生成式AI工具Evo 2，首次成功实现完整病毒基因组的人工设计——从零生成16种功能完整的全新噬菌体病毒。这项发表于《科学》（Science）杂志的突破性研究，标志着AI从“读懂”基因片段进化到“设计”完整生命系统，为应对抗生素耐药性危机提供了全新路径，同时也引发了关于AI设计生物系统的安全与治理讨论。

一、抗生素耐药性危机与噬菌体疗法的复兴

1.1 全球抗生素耐药性现状

抗生素的过度使用和滥用已导致细菌耐药性问题日益严重。多重耐药菌（Multidrug-Resistant Organisms, MDROs）在全球范围内的蔓延，使传统抗生素治疗面临巨大挑战。耐甲氧西林金黄色葡萄球菌（Methicillin-Resistant Staphylococcus aureus, MRSA）、耐碳青霉烯肠杆菌科细菌（Carbapenem-Resistant Enterobacteriaceae, CRE）等“超级细菌”的不断涌现，已成为全球公共卫生领域的重大威胁。

与此同时，新型抗生素的研发速度严重滞后。过去几十年间，新获批的抗生素种类屈指可数，而细菌耐药性的进化速度却远快于新药的开发周期。这种“研发赤字”使得医学界迫切需要寻找抗生素之外的替代治疗方案。

1.2 噬菌体：被遗忘的细菌杀手

噬菌体（Bacteriophage，简称Phage）是一类能够特异性感染并裂解细菌的病毒。1917年，法裔加拿大微生物学家费利克斯·德埃雷尔（Félix d’Herelle）首次发现了噬菌体的抗菌潜力。然而，随着20世纪40年代青霉素等抗生素的大规模应用，噬菌体疗法在西方医学界逐渐被边缘化。

噬菌体具有几个独特的优势：

• 高度特异性：每种噬菌体通常只感染特定种类的细菌，甚至只感染特定菌株，因此不会像广谱抗生素那样破坏人体正常的微生物群落。
• 自我复制能力：噬菌体在感染宿主细菌后能够自我增殖，在感染部位形成“自放大”的杀菌效应。
• 应对耐药性：噬菌体的杀菌机制与抗生素完全不同，因此对耐药菌株仍然有效。

然而，传统噬菌体疗法也面临诸多局限：天然噬菌体的宿主范围往往过于狭窄、细菌同样可能对单一噬菌体产生耐药性、以及寻找和筛选有效天然噬菌体的过程耗时费力。这些局限性使得噬菌体疗法长期停留在小众应用层面。

1.3 从天然筛选到AI设计

传统的噬菌体开发路径依赖于从自然环境（如污水、土壤）中筛选天然存在的噬菌体，然后进行分离、纯化和扩增。这种“发现而非设计”的模式效率低下，且无法突破自然进化已探索过的序列空间。

斯坦福大学化学工程助理教授布莱恩·希（Brian Hie）及其团队选择了一条截然不同的路径：既然自然界已经通过数十亿年的进化探索了海量的基因组序列空间，能否利用人工智能学习这些进化规律，然后“按需”设计全新的噬菌体基因组？这一设想最终催生了斯坦福AI工具Evo 2首次人工设计全新噬菌体病毒这一里程碑式突破。

二、Evo 2：全球最大的生物学AI基础模型

2.1 Evo 2的诞生与技术架构

Evo 2是迄今为止全球规模最大、能力最强的生物学人工智能基础模型。该模型由美国Arc研究所联合斯坦福大学、加州大学伯克利分校（UC Berkeley）、加州大学旧金山分校（UCSF）及英伟达（NVIDIA）共同开发。

Evo 2的核心技术参数如下：

Evo 2的工作机制与ChatGPT等大语言模型（Large Language Model, LLM）类似，但其预测的对象不是人类语言的文字序列，而是“生命的语言”——DNA序列。通过在海量基因组数据上的训练，Evo 2学习了进化过程中DNA序列的约束条件和演化规律——什么序列是“可行”的、什么序列能够编码出功能性生物系统。

2.2 从“读懂”到“设计”的跨越

2025年2月，Evo 2首次以预印本形式发布；2026年3月，相关研究成果正式发表于《自然》（Nature）期刊。Evo 2不仅能以前所未有的精度解读从猛犸象到细菌的遗传密码，更具备了主动“阅读”“书写”乃至“设计”基因序列的能力。

Evo 2可以准确预测基因突变的功能影响——无论是编码基因还是非编码基因的变异；能够识别外显子-内含子边界、转录因子结合位点、蛋白质结构元件等关键生物学特征。这些能力使得Evo 2不仅是一个“基因解读器”，更是一个“基因设计器”。

然而，Evo 2最初的设计并未专门针对病毒基因组生成进行优化。要实现斯坦福AI工具Evo 2首次人工设计全新噬菌体病毒这一目标，研究团队还需要对模型进行关键的技术调整。

三、Evo 2设计噬菌体的实验框架

3.1 设计模板：噬菌体ΦX174

研究团队选择了噬菌体ΦX174（读作“FYE-ex-1-7-4”）作为设计模板。ΦX174是一种感染大肠杆菌（Escherichia coli，简称E. coli）的小型噬菌体，其全基因组长度不足6,000个碱基对。

选择ΦX174作为模板有多重考量：

• 基因组规模适中：相比人类基因组的30亿个碱基对，ΦX174的基因组相对简单，便于AI模型生成和实验室合成。
• 实验体系成熟：大肠杆菌是分子生物学中最成熟、最常用的模式生物之一，相关的噬菌体感染实验体系非常完善。
• 医学相关性：大肠杆菌虽是人体肠道的正常菌群，但某些致病性菌株可引发严重的感染性疾病。

3.2 训练数据的处理与模型微调

Evo 2的训练数据涵盖了病毒、细菌、植物和人类的遗传编码。为了专门生成噬菌体，研究团队对模型进行了进一步的微调（Fine-tuning）——类似于在大语言模型中使用特定领域数据集进行二次训练，使其专注于特定任务。

一个关键的安全设计是：研究团队在训练数据中特意排除了能够感染真核生物（包括植物、人类和动物）的病毒序列。这意味着Evo 2对真核病毒的性能被有意削弱，从而降低了模型被用于设计对人类致病病毒的风险。

3.3 生成策略：全基因组端到端设计

在生成噬菌体基因组时，研究团队采用了一种“端到端”（End-to-End）的设计策略。正如布莱恩·希教授所解释的：“我们希望模型在一个从左到右的单次传递中生成整个基因组。我们没有添加任何东西。”

这一策略与传统的基因工程方法形成了鲜明对比：

Evo 2生成了数千个噬菌体基因组设计方案。研究团队从中筛选出302个最有潜力的设计，在实验室中进行化学合成。

四、从计算机设计到实验室验证

4.1 合成与筛选

研究团队将Evo 2生成的302个噬菌体基因组设计方案进行化学合成，并转入大肠杆菌中进行功能测试。这是一个严谨的“设计-合成-测试”循环：

1. 合成：根据AI生成的DNA序列，通过化学方法合成完整的噬菌体基因组。
2. 转入：将合成的基因组导入大肠杆菌细胞。
3. 测试：观察是否能够产生具有感染能力的噬菌体颗粒。
4. 验证：确认生成的噬菌体能够有效感染并裂解大肠杆菌。

实验结果显示：在302个AI设计中，有16个能够有效杀死大肠杆菌。这16种新型噬菌体不仅是功能完整的，而且能够在实验室中复制——这是人工智能首次成功设计出完整的病毒基因组。

4.2 凌晨时分的突破时刻

实验室博士生塞缪尔·金（Samuel King）是论文的第一作者。他回忆说，研究团队是在凌晨时分意识到这些噬菌体确实发挥了作用。

实验过程是将噬菌体放入覆盖着一层大肠杆菌的培养皿中，然后观察这些新病毒是否开始感染并裂解细菌。金说：“我们开始看到一些透明斑点，那一刻真的令人无比激动。”当研究结果公布给整个团队时，布莱恩·希教授回忆称，“房间里的人自发鼓起了掌”。

这一激动人心的时刻标志着斯坦福AI工具Evo 2首次人工设计全新噬菌体病毒从理论设想变成了实验室现实。

4.3 16种新型噬菌体的特征

研究团队对16种成功的噬菌体进行了详细分析，发现了几个令人瞩目的特征：

与天然噬菌体的显著差异：生成的噬菌体与任何已知的天然噬菌体都不同。它们具有全新的突变组合、不同的基因和调控元件，以及可变的基因组长度。

多样化的适应度谱系：不同噬菌体表现出不同的感染动力学特征，包括竞争性感染动力学——这意味着它们在与天然噬菌体的“竞争”中也能表现出色。

新颖的蛋白质结构：其中一个噬菌体在其衣壳（Capsid，病毒外壳）结构中使用了来自进化上远缘噬菌体的DNA包装蛋白。这表明Evo 2不仅能够组合已知的基因元件，还能够“跨物种”整合来自不同进化分支的功能模块。

强宿主特异性：生成的噬菌体对大肠杆菌C菌株表现出强烈的宿主特异性——这是噬菌体疗法所需的关键特性。

4.4 超越天然噬菌体的杀菌能力

一个尤为令人振奋的发现是：部分Evo 2设计的噬菌体在实验室测试中表现出了比天然ΦX174更高的“适应度”（Fitness）。正如布莱恩·希所说：“在实验室测试中，Evo的一些建议比天然的ΦX174具有更高的适应度。”

这意味着AI不仅能够复制自然进化的成果，甚至有可能超越自然进化——在特定的筛选条件下设计出比自然界中已有的版本更优秀的生物系统。

五、抗耐药性噬菌体鸡尾酒疗法

5.1 单一噬菌体的耐药性困境

噬菌体疗法面临的一个核心挑战是：细菌同样会对单一的噬菌体产生耐药性。正如布莱恩·希指出的：“如果细菌对单一噬菌体产生了耐药性，那么这种药物就完了。”

这一问题的本质与抗生素耐药性如出一辙：单一药物的持续使用会筛选出耐药突变体，最终导致药物失效。

5.2 鸡尾酒疗法的解决方案

研究团队提出的解决方案是“噬菌体鸡尾酒”（Phage Cocktail）——将多种遗传多样性丰富的噬菌体混合使用。“如果你在混合物中有多个遗传上不同的噬菌体，细菌要对整个鸡尾酒产生耐药性就会困难得多。”

Evo 2的能力使这一策略变得切实可行：AI可以在短时间内生成大量遗传多样性丰富的噬菌体设计方案——这是传统方法无法比拟的效率优势。

5.3 实验验证：快速克服细菌耐药性

研究团队进行了一项关键实验：将16种Evo 2生成的噬菌体混合成鸡尾酒，测试其对已对天然ΦX174产生耐药性的大肠杆菌菌株的效果。

结果令人振奋：这种鸡尾酒迅速克服了对天然ΦX174具有免疫力的耐药大肠杆菌。相比之下，由天然来源的ΦX174样噬菌体组成的类似混合物则无法做到这一点。

布莱恩·希总结道：“我们在论文中展示了一个概念验证：这种16种噬菌体的鸡尾酒能够快速克服对天然ΦX174免疫的大肠杆菌的耐药性。”

这一发现为开发“抗耐药性的抗生素”（Resistance-Resistant Antibiotic）开辟了全新路径。科学家们可以设想使用遗传多样性丰富的噬菌体鸡尾酒协同作战，以应对细菌的免疫逃逸。

六、技术突破的科学意义

6.1 首次全基因组生成式设计

斯坦福AI工具Evo 2首次人工设计全新噬菌体病毒的核心科学意义在于：这是生成式人工智能首次被用于设计完整的基因组。

在此之前，AI在生物学设计中的应用主要局限于单个基因和蛋白质的层面。全基因组设计之所以困难，是因为即使是最简单的基因组也极为复杂——单个突变就可能导致整个系统失活。Evo 2的成功证明，生成式模型能够以足够的保真度捕捉DNA序列中的进化约束，从而产生与自然界中观察到的序列不同、但具有预定特征的全基因组。

6.2 合成基因组学的范式转变

这项研究的意义超越了噬菌体本身：

• 拓展合成基因组学的能力边界：与定向进化（Directed Evolution）和理性工程（Rational Engineering）等方法并列，AI引导的生成式设计为合成基因组学提供了全新的工具。
• 为更大更复杂基因组的设计奠定基础：虽然目前的设计对象是基因组仅约5,400个碱基对的简单噬菌体，但这项研究为设计更大、更复杂的基因组建立了方法论基础。
• 加速应对快速进化病原体的能力：生成适应性强、具有弹性的噬菌体疗法，可用于对抗快速进化的病原体。

6.3 “历史上首次在计算机上设计生物学”

西班牙庞培法布拉大学（Pompeu Fabra University）合成生物学实验室教授马克·格尔（Marc Güell）评价道，这项研究是“一个非常重要的转折点”，因为“历史上首次，人类开始在计算机上设计生物学”。

这一评价精准地概括了斯坦福AI工具Evo 2首次人工设计全新噬菌体病毒的深远意义：它标志着生物学从“发现”时代迈入了“设计”时代——从读取自然进化的结果，到主动编写新的生命系统。

七、生物安全与治理挑战

7.1 双刃剑的两面

正如任何强大的技术一样，AI设计病毒的能力也带来了双刃剑效应。布莱恩·希教授认为，这项技术有望通过开发新药和新疗法“大幅改善人类健康”。但外界已经开始担忧，同样的技术也可能被恶意利用来制造新的疾病。

在《科学》杂志同期发表的评论文章中，约翰斯·霍普金斯大学（Johns Hopkins University）卫生安全中心的托马斯·英格尔斯比（Thomas Inglesby）博士和莫里茨·汉克（Moritz Hanke）博士写道，这项研究提出了“迫在眉睫的生物安全和生物安保问题”。

他们指出，现在的问题已经不再是“生成式人工智能能否设计病毒基因组”，而是人类能否在“不造成严重危害”的情况下使用这项技术。例如，他们明确指出，不应开展设计可能引发疾病的新型病毒的研究。

7.2 现有的安全防护措施

研究团队已经采取了多项措施以尽可能降低安全风险：

布莱恩·希认为，现有的安全防护措施已经能够在很大程度上“确保这项技术被用于造福人类”。

然而，也有专家指出，现有的治理框架不足以监管生成式基因组学。问题已不再是生成式病毒基因组设计是否会出现，而是社会能否建立起一套监管机制，在防止其造成严重危害的同时，让其益处得以实现。

7.3 未来的治理方向

学界提出了一系列可能的治理方向：

1. 在模型开发端设置安全屏障：如训练数据的过滤和模型的“安全设计”。
2. 建立负责任的研究审查机制：对高风险研究进行事前评估。
3. 实施基因合成筛选：对AI设计的DNA序列在合成前进行安全审查。
4. 全面落实实验室生物安全规范：确保所有实验在合规条件下进行。

八、未来展望与应用前景

8.1 扩展至其他病原体

研究团队计划将这一方法扩展至针对其他有害细菌的噬菌体设计，包括：

• 结核分枝杆菌（Mycobacterium tuberculosis，结核病的病原体）
• 耐甲氧西林金黄色葡萄球菌（MRSA）
• 铜绿假单胞菌（Pseudomonas aeruginosa），医院获得性耐药感染的主要病原体之一

布莱恩·希表示，尝试设计一些更复杂的生物系统“可能需要大量工作，但并非不可能”，团队“确实有兴趣朝这个方向努力”。

8.2 从噬菌体到更复杂的基因组

虽然目前的设计对象是基因组仅约5,400个碱基对的噬菌体，但Evo 2的能力远不止于此。作为能够处理100万个碱基对上下文窗口的模型，Evo 2理论上具备设计更复杂基因组的能力。

相比之下，最小的自由生活细胞（如生殖支原体Mycoplasma genitalium）的基因组约为50万个碱基对。虽然从噬菌体到完整细胞的设计跨越巨大，但Evo 2的技术基础为这一方向的探索提供了可能。

8.3 治疗遗传疾病与抗体设计

西班牙科学家马克·格尔指出，这项技术让人们可以想象更多应对人类重大挑战的可能性：

• 开发用于治疗疾病的治疗性噬菌体
• 设计用于治疗遗传疾病的酶
• 设计可用于免疫疗法的抗体

这些应用方向的共同点在于：它们都依赖于对复杂生物系统的精确设计和优化——而这正是Evo 2所擅长的领域。

8.4 开源与协作

Evo 2已经以开源形式向全球科研人员开放。这意味着全球的研究团队都可以使用这一工具进行自己的生物学设计研究。正如布莱恩·希所说：“如果我们将这项技术继续推进，它们将对人类产生重大的积极影响。”

这种开放共享的模式有望加速噬菌体疗法、合成生物学和相关领域的整体发展进程。

九、总结

斯坦福AI工具Evo 2首次人工设计全新噬菌体病毒是2026年生命科学领域最具突破性的进展之一。这项发表于《科学》杂志的研究，实现了生成式人工智能从设计单个基因到设计完整基因组的历史性跨越。

通过Evo 2这一基于9.3万亿个核苷酸训练而成的生物学AI模型，研究团队成功生成了16种功能完整的全新噬菌体。这些噬菌体不仅在实验室中能够有效感染并裂解大肠杆菌，而且混合使用能够快速克服对天然噬菌体产生耐药性的细菌菌株——为应对全球抗生素耐药性危机提供了全新的解决方案。

这一突破也开启了关于AI设计生物系统的安全与治理的深刻讨论。如何在充分发挥这项技术巨大医疗潜力的同时，防止其被恶意利用，将是学术界、产业界和政策制定者共同面临的长期挑战。

正如一位研究者所言：“如果我们继续推进这些模型的技术发展，它们将对人类产生重大的积极影响。”斯坦福AI工具Evo 2首次人工设计全新噬菌体病毒不仅是一个科学里程碑，更是通往AI驱动生物学新时代的大门。

FAQ（常见问题解答）

问：Evo 2是什么？它与ChatGPT有什么区别？

Evo 2是由斯坦福大学、Arc研究所和英伟达等机构联合开发的生物学AI基础模型，基于9.3万亿个核苷酸训练而成。与ChatGPT等大语言模型预测文本序列不同，Evo 2预测的是“生命的语言”——DNA序列。它可以“阅读”“书写”乃至“设计”基因序列。

问：Evo 2设计的噬菌体对人类有威胁吗？

没有威胁。研究团队设计的噬菌体仅感染特定种类的大肠杆菌，不会感染人类细胞。此外，研究团队在训练数据中特意排除了能够感染真核生物的病毒序列，所有实验均在生物安全实验室中进行。

问：这是AI第一次设计病毒吗？

是的。这是生成式人工智能首次成功设计出完整的病毒基因组。在此之前，AI在生物学设计中的应用主要局限于单个基因和蛋白质的层面。

问：Evo 2设计的噬菌体有什么实际应用价值？

这些噬菌体可以用于开发新型抗菌疗法，特别是针对抗生素耐药性细菌感染。研究证明，多种Evo 2设计的噬菌体混合使用（鸡尾酒疗法）能够快速克服对天然噬菌体产生耐药性的大肠杆菌，这为应对“超级细菌”提供了新思路。

问：Evo 2是开源的吗？

是的。Evo 2已经以开源形式向全球科研人员开放。

问：这项研究存在哪些安全风险？

主要风险在于同样的技术可能被恶意利用来设计对人类致病的病毒。学界呼吁建立多环节监管机制，在模型开发、基因合成和实验操作等环节设置安全屏障。

问：Evo 2能否设计更复杂的生物体，比如细菌或人类细胞？

理论上有可能，但挑战巨大。目前Evo 2设计的噬菌体基因组仅约5,400个碱基对，而最小活细胞基因组约为50万个碱基对。研究团队表示“确实有兴趣朝这个方向努力”，但从噬菌体到完整细胞的设计跨越仍需大量研究。

问：这项研究成果发表在哪里？

该研究成果以“Generative design of bacteriophages with genome language models”为题，于2026年8月6日发表在《科学》（Science）期刊上。