斯坦福大学的研究人员利用 Evo 2 生成式人工智能模型设计并合成了近 300 种新型噬菌体。实验室测试证实，其中 16 种病毒能有效杀死大肠杆菌 (E. coli)。这项工作表明，从头生物设计（de novo biological design）可以实现从一行代码到活体抗菌剂的跨越。
从数字序列到真实病毒
Brian Hie 助理教授与 Dieter Schwarz 基金会斯坦福数据科学研究所合作，将研究充分的 ΦX174 噬菌体基因组输入 Evo 2。Evo 2 将 DNA 视为一种语言，预测能够折叠成功能性蛋白质并组装成可行病毒的序列。该模型生成了数百个不同的 DNA 字符串；通过化学合成，它们被转化成了一个包含近 300 个噬菌体颗粒的库。
将计算机生成的字符串转化为物理病毒不仅仅是类似打印的步骤。团队订购了定制的 DNA 寡核苷酸，组装了完整基因组，并将每个构建体引入能够“启动”噬菌体的细菌宿主中。这种——设计、合成、组装和回收（rescue）——的工作流程长期以来一直是天然噬菌体分离的标准流程，但很少应用于完全由 AI 打造的基因组。
筛选抗菌活性
真正的测试在于任何 AI 设计的噬菌体是否能够感染并摧毁细菌目标。研究人员使用实验室菌株的大肠杆菌 (E. coli) 对 300 个候选者进行了挑战，这种细菌是尿路感染的常见原因，也是抗生素耐药性研究的模型。经过空斑实验和生长抑制测量，16 种噬菌体因其对细菌培养物的快速裂解和高裂解量（每个受感染细胞释放的新噬菌体颗粒数量）脱颖而出。
这 16 个命中目标不仅在筛选中存活了下来，而且在杀伤效率上超过了许多天然的 ΦX174 近亲。数据表明，Evo 2 能够重现已知的病毒功能，并探索生物学从未采样过的序列空间，从而找到既可行又强效的解决方案。
为什么这对抗菌研究至关重要
噬菌体疗法——使用捕食细菌的病毒——已重新成为应对全球抗生素耐药性感染上升的可能方案。传统的发现方式依赖于在污水、土壤或动物微生物组中搜寻噬菌体，这一过程可能耗时数月且结果难以预测。Evo 2 提供了一种“计算优先”的替代方案：科学家指定细菌目标，让模型生成候选基因组，然后在实验室中测试一组针对性的样本。
如果该流程能够规模化，它可以将数年的环境采样压缩为数周的计算机模拟设计和高通量合成。按需定制噬菌体基因组还为工程化额外特性打开了大门，例如更广泛的宿主范围或对细菌抗噬菌体防御机制的抵抗力。
风险与开放性问题
这一突破仍处于早期阶段。所有实验都局限于培养皿中；尚未进行动物模型或临床试验。安全担忧依然存在——将合成病毒引入患者或环境可能会产生不可预见的生态影响。针对基因工程噬菌体的监管框架仍在不断演变，从实验室疗效到获批疗法的道路可能很长。
此外，虽然 Evo 2 在处理像 ΦX174 这样相对简单、特征明确的噬菌体时取得了成功，但该模型是否能够处理更大、更复杂的病毒基因组，或者设计出必须在体内应对细菌免疫系统的噬菌体，仍有待观察。目前的成功可能反映了模型在丰富的 ΦX174 数据上的训练，而非具备从零开始生成任何病毒的通用能力。
下一步计划
斯坦福团队将针对临床相关的 E. coli 菌株（包括多重耐药菌株）测试这 16 种领先的噬菌体。并行工作将探索 Evo 2 是否可以通过提示词设计针对其他问题细菌（如克雷伯氏菌 Klebsiella 或假单胞菌 Pseudomonas）的噬菌体。扩大合成规模——从几百个候选者增加到数千个——也将是一个重点，因为更大的库可能会发现更强效或作用范围更广的病毒。
除了噬菌体疗法，该方法论还可以重新用于其他生物工程目标：设计工业化学所需的酶、创建合成代谢途径，甚至构建新型疫苗载体。Evo 2 生成功能性 DNA 序列的能力预示着这样一个未来：“代码”将成为生命系统的通用设计语言。
核心要点
斯坦福大学的 Evo 2 模型已将计算预测转化为一种活体抗菌工具，证明了 AI 驱动的从头生物学（de novo biology）能够产生足以杀死主要病原体的功能性病毒。这一概念验证缩小了数字设计与现实世界疗法之间的差距，但在合成噬菌体成为抗菌武器库的常规组成部分之前，必须解决安全性、监管和可扩展性方面的挑战。