Science：AI 从头编写病毒基因组！新型噬菌体鸡尾酒攻克抗生素超级细菌

抗生素耐药性是全球公共卫生领域持续热议的重大危机，世界卫生组织早已将其列入十大全球健康威胁，现有数据预估每年耐药菌感染直接造成超百万人死亡。若人类新药研发速度持续追不上细菌耐药突变速度，到 2050 年耐药菌致死人数或将超越癌症，成为全球首要致死诱因。

在这场与耐药菌的长期拉锯战中，噬菌体疗法重回大众与科研视野，这类天然专一侵染细菌的微型病毒本是抗生素理想替代方案，但天然噬菌体存在明显短板：自然筛选得到的噬菌体杀菌谱狭窄、裂解效率参差不齐，且单一噬菌体极易诱导细菌产生靶向耐药。同时，过去合成生物学的改造手段仅能修饰单个基因、局部基因线路，想要从零构建一套完整功能性基因组，哪怕是 ΦX174 这种仅 5400 碱基的小型噬菌体，都需要耗费海量人力反复试错，完整基因组设计长期属于难以突破的科研瓶颈。

如今生成式人工智能彻底打破了这一技术壁垒，2026 年刊发于

Science

的重磅研究

Generative design of bacteriophages with genome language models

中，斯坦福大学联合 Arc 研究所团队依托自主研发

Evo 2

基因组大模型，完成全球首例全功能噬菌体基因组自主生成工作。不同于普通蛋白 AI 仅编辑短序列，

Evo 1、Evo 2

通过学习跨物种数百万天然完整 DNA 序列，深度捕捉生物长期演化形成的序列约束、基因排布、调控元件协同规则，无需人工预设大量基因规则，仅输入少量模板基础信息，就能自主生成自然界从未存在、结构完整的全新噬菌体全基因组。

研究团队选取经典微型单链 DNA 噬菌体 ΦX174 作为设计模板，该噬菌体基因组短小、遗传背景研究透彻，是验证 AI 基因组设计能力最优实验载体。整套 AI 噬菌体设计流程形成标准化闭环框架：依托微调后的

Evo 2

批量产出数千条全新虚拟基因组序列，再搭建多维度筛选评价体系，从基因组长度、基因排布合理性、编码蛋白相容性、宿主适配性、复制裂解潜力等维度层层过滤，最终筛选 302 份优质候选序列开展体外化学全合成，转入宿主细胞完成活体功能验证。

多轮体外侵染实验带来突破性实验结果，302 份 AI 合成基因组中共有 16 株噬菌体具备完整自主复制、裂解大肠杆菌的活性。这批 AI 噬菌体绝非天然 ΦX174 的小幅突变复刻，整体基因组长度区间跨度大，携带大量自然界不存在的同义、错义突变，非编码调控区、衣壳、裂解蛋白编码序列均出现全新组合。

其中一株命名 Evo-Φ36 的人工噬菌体尤为特殊，AI 自主完成跨远缘物种基因重组，将亲缘关系差距极大的 G4 噬菌体 DNA 包装蛋白整合进自身衣壳系统；冷冻电镜三维结构解析证实该嵌合蛋白可稳定维持病毒外壳、完成基因组装载，这一跨物种功能组合在自然演化中极少出现，充分证明 AI 能够跳出天然演化局限，挖掘全新可行的遗传组合方案。批量侵染对照显示，部分 AI 噬菌体的增殖速度、细菌裂解效率显著优于天然模板 ΦX174。

研究核心临床价值聚焦耐药菌攻克难题，单一噬菌体疗法极易因细菌膜受体突变失效，而多种遗传背景差异巨大的噬菌体混合 “鸡尾酒” 可大幅降低细菌同步产生多重抗性的概率。团队搭建严苛耐药菌对照体系，先持续传代培育对天然 ΦX174 完全耐药的大肠杆菌 CR1、CR2 菌株，再分别配置 16 株天然噬菌体混合制剂、16 株 AI 设计噬菌体混合制剂开展杀菌对比。

实验结果差异显著：天然噬菌体鸡尾酒无法抑制耐药菌株增殖，而 AI 噬菌体混合制剂仅需少数传代周期，就能完全清除耐药菌群；基因组测序追踪证实，耐药菌在 AI 噬菌体压力下发生跨膜脂多糖合成通路突变，而 AI 噬菌体携带多样化衣壳结合蛋白，可识别细菌多种新型表面受体，通过基因重组快速适配突变宿主，从根源延缓耐药进化速度。

人工智能引导下的噬菌体基因组设计框架

论文客观界定当前研究的阶段局限，本次实验仅以大肠杆菌单一宿主为模型，全部验证工作局限于体外细胞培养体系，尚未开展动物体内药效、免疫毒性、给药代谢相关测试。距离临床耐药感染治疗落地，仍需攻克人体免疫清除、给药递送、体内持续复制安全性、长期生物安全评估等多重现实难题。但该成果的里程碑意义不可忽视，它首次完整证实基因组语言大模型能够精准学习 DNA 全局演化约束，摆脱人工碎片化基因改造的传统思路，实现完整功能性生命体基因组从零自主设计。

在开放科研层面，研究团队完整开源

Evo 1、Evo 2

模型、全套生成代码与噬菌体基因组数据集，全球科研人员均可免费调取、二次优化，大幅降低全基因组合成生物学研发门槛，彻底改变过去依赖天然生物库筛选、小片段人工改造的研发模式。当下 AI 设计生命、合成生物学相关话题持续受到公众热议，这套开源工具既为耐药菌新药、工程微生物、靶向病毒载体研发提供全新底层工具，同时也引发生物安全、技术管控相关讨论。

研究者在文章讨论部分专门补充生物安全管控方案，所有噬菌体实验均在对应生物安全等级实验室完成，模型训练数据集剔除人类致病病毒序列，降低技术滥用风险。长期来看，AI 全基因组生成技术不仅能开发新一代噬菌体抗感染制剂，未来还有望拓展至更大微生物基因组设计，为应对未知新发病原体、开发精准生物疗法提供前瞻性技术储备。（

生物谷）

参考文献：

SAMUEL H. KING,CLAUDIA L. DRISCOLL,DAVID B. LI, et al.

Generative design of bacteriophages with genome language models

, Science (2026). DOI: 10.1126/science.aec2657.