斯坦福与 Arc Institute 用 AI 设计全新病毒基因组，16 种在实验室成功杀死细菌

更新——2026 年 8 月 7 日

• 补充了来自《Science》刊文的细节以及其他科学家的评论。

更新，2026 年 8 月 7 日：

来自斯坦福大学和 Arc Institute 的一个团队让一个 AI 模型从零开始设计出完整的病毒基因组，随后在实验室中构建出 16 种自然界并不存在的功能性病毒。这项工作此前仅以预印本形式发布。如今它已通过同行评审，并发表在《Science》期刊上。

《纽约时报》报道了新的细节，尤其是关于命中率的部分。这个名为 Evo 的模型提出了 700,000 个可能的基因组。团队只追踪了最有希望的候选者，将 285 条序列化学合成为 DNA，并把它们植入细菌。其中 16 条产生了能够复制的病毒。此前的预印本曾提到合成了 302 个基因组。

训练过程也正变得更加清晰。Evo 首先从数以百万计的动物、植物、微生物和病毒中提取的约九万亿个核苷酸中学习，捕捉贯穿整个生命之树的模式。之后才进行第二轮专门的训练，使用的是噬菌体 Phi X-174 的 11 个基因及其约 15,000 个近亲。对于博士生兼合著者 Samuel King 来说，这是合乎逻辑的一步。“感觉这就是显而易见的下一步，”他说。

由此产生的病毒也不仅仅是弱化的复制品。它们被证明与天然病毒一样强健，有些甚至比 Phi X-174 复制得更快。“它们并不只是已有病毒的孱弱版本，”牛津大学蛋白质化学家 Oliver Crook 说，他并未参与这项研究。曼彻斯特大学合成生物学家 Patrick Cai 称这项工作是一个“重要的里程碑”。

不过，Crook 对预期持保留态度。AI 并没有发明任何根本性的新东西。这些病毒与天然物种非常相似，依赖的是同一套生物学机制。Evo 是否能在其他病毒类群上同样成功，仍是一个悬而未决的问题。如果答案是肯定的，这些成果可能会为医学和生物技术带来有用的工具。“我们的大量科学都建立在将病毒作为技术的基础之上，”Crook 说。

为什么现行安全规则无法覆盖这一点

生物安全监管中的一处空白如今比以往任何时候都更加明显。美国国立卫生研究院于 7 月下旬发布了一项关于高风险生命科学研究的政策。该政策禁止使病原体更加危险的实验。但该机构表示，纯计算工作，也就是在计算机上设计病毒 DNA，并不在覆盖范围内，“除非它涉及受关注的实体”。

问题显而易见。对于天花，这种分类是明确的。但对于一个出自 AI 模型的病毒，情况就不是这样了。“我从未见过的东西会带来什么风险？”约翰斯·霍普金斯健康安全中心的 Moritz Hanke 问道。他认为研究的速度与围绕它的防护措施之间存在巨大差距。“这里存在一个巨大的脱节。”他设想的滥用场景是：“你可以说，‘嘿，基因组语言模型，给我造一个经过改造、更具传染性或更致命性的流感基因组。’”

该团队自行采取了预防措施。在训练期间，Evo 没有接收任何关于感染人类的病毒的数据，也没有接收来自动物、植物或真菌的相关病原体的数据。这意味着该模型从一开始就无法生成那些基因组。“我们只是想格外谨慎，”斯坦福大学计算生物学家、该研究的合著者 Brian Hie 说。Hanke 称这“相当值得称赞”，尤其是因为没有任何官方规则要求这样做。“因为他们从任何地方都得不到关于自己应该怎么做的指导，”他说。

原文发表于 2025 年 9 月 21 日：

加利福尼亚的一个研究团队利用人工智能设计出了能够杀死细菌的可用病毒，他们将其描述为“完整基因组的首次生成式设计”。据《麻省理工科技评论》报道，该项目标志着迈向 AI 设计生命形式的早期一步。

这项工作由斯坦福大学和 nonprofit Arc Institute 的科学家完成。在一篇预印本论文中，他们描述了一个 AI 系统如何为病毒提出新的遗传密码。随后，团队将这些设计中的 302 个以 DNA 链的形式化学打印出来，并将它们暴露于大肠杆菌细菌。其中 16 个 AI 生成的病毒成功复制并摧毁了它们的细菌宿主。

“那相当令人震撼，真的亲眼看到这个 AI 生成的球体，”Brian Hie 说，他负责运营这些病毒被创造出来的 Arc Institute 实验室。

Evo 从数百万个病毒基因组中学习

该项目的核心是一个名为Evo的 AI，它的运作方式类似大语言模型，但训练数据是生物学而非文本。Evo 不是从书籍和文章中学习，而是基于约两百万个噬菌体基因组进行训练。在这项研究中，研究人员让它提出 phiX174 的变体，这是一种简单的噬菌体，仅包含 11 个基因和约 5,000 个 DNA 字母。

NYU Langone Health 的生物学家 Jef Boeke 将该项目描述为迈向 AI 设计生命的“令人印象深刻的第一步”，尽管病毒本身在技术上并不算活着。他说，该 AI 的表现“出奇地好”，其设计“出人意料”，改变了基因顺序和排列方式，而这些是人类科学家未曾考虑过的。

并非所有人都信服。J. Craig Venter 曾参与开创合成 DNA，他称这种方法“不过是试错实验的更快版本”。他的实验室曾通过类似过程创造出合成细胞，但当时需要在科学文献中进行慢得多的人工检索。

前景与风险

这项技术可能具有重大应用价值。医生们长期以来一直在试验噬菌体疗法，用于治疗多重耐药细菌感染。病毒也是基因治疗中的关键工具，可将新基因递送到人类细胞中。AI 设计的病毒可能让这两种方法都更加有效。

但风险同样显而易见。该团队刻意避免在人类病原体上训练 Evo。即便如此，Venter 仍对如果同样的方法被用于天花或炭疽等危险病毒可能发生什么提出了“严重担忧”。他说：“有一个领域我敦促极度谨慎，那就是任何病毒增强研究，尤其是当它具有随机性、你根本不知道会得到什么的时候。”

将这种方法扩展到活细胞也要复杂得多。像 E. coli 这样的细菌，其 DNA 数量约为 phiX174 的 1,000 倍。Boeke 警告说：“其复杂度将从令人震惊一路飙升到远远超过宇宙中亚原子粒子的数量。”

尽管如此，Ginkgo Bioworks 首席执行官 Jason Kelly 认为，追求 AI 设计的细胞应当成为一项国家优先事项。他设想了一种自动化实验室，可以持续测试 AI 生成的基因组设计，并将结果反馈给模型。“这将是一个国家级规模的科学里程碑，因为细胞是所有生命的构建基石，”他说。“美国应当确保我们率先实现这一目标。”

继续阅读以了解全貌。
订阅无炒作报道。

• 畅读所有 THE DECODER 文章。
• 无干扰阅读——没有 Google 广告。
• 可访问评论和社区讨论。
• 每周 AI 新闻通讯。
• 每年 6 次：“AI Radar”——深入探讨关键 AI 话题。
• KI Pro 线上活动最高可享 25% 折扣。
• 可访问我们完整的十年存档。
• 获取 The Decoder 的最新 AI 新闻。