AI从零创造了16种全新噬菌体：这不是预测，是创造

King et al., Nature (2026) — Generative design of novel bacteriophages with genome language models
作者: Samuel H. King, Claudia L. Driscoll, David B. Li, Daniel Guo, Aditi T. Merchant, Garyk Brixi, Max E. Wilkinson, Brian L. Hie
机构: Arc Institute, Stanford University
DOI: 10.1101/2025.09.12.675911

一、先搞清楚这件事有多离谱

想象你拿到一本用某种语言写成的书，但你从未学过这门语言。你只知道，每一页翻过去，下一个词大概应该是什么。你读了几百万本书之后，突然有一天，你决定自己写一本。不是抄写，不是改编——是从空白页开始，一个字一个字地编出来。

然后你把这本书拿去给一个母语者看。他不仅读懂了，还发现你写的某些段落，他用母语也写不出来。

这就是Evo干的事。

Evo是一个DNA语言模型。它不像AlphaFold那样预测蛋白质结构，不像GPT-4那样写诗。它学习的是生命的语法——不是英语的语法，不是Python的语法，是DNA的语法。四个字母（A、C、G、T），在长达数十万甚至数百万的序列中，以什么样的组合能构成一个活的、能复制自己的东西。

然后它从零写了一个。

不是改写，不是拼接自然序列。是从头生成一个5-6千碱基的基因组，包含11个基因、调控元件、编码密度，全部合理——而且16个这样的基因组，在实验室里真的活了。它们在细菌培养皿上形成了噬菌斑，像真正的病毒一样裂解细菌、复制自己、繁衍后代。

成功率是5.3%（302个设计里16个存活）。这个数字听起来低，但在生物学语境下，它高得吓人。

二、Evo DNA语言模型：生命的语法

2.1 为什么DNA语言模型比其他生物FM更难

蛋白质语言模型（如ESM2、ProGen）已经证明了强大的预测能力。但蛋白质只是生命的一个维度。DNA是更底层的语言——它编码了RNA、蛋白质、调控元件，以及所有这些组件之间的相互作用。

ΦX174噬菌体的基因组只有5.4kb，包含11个基因，但它是一个完整的生命系统。 这意味着：

• 每个基因的开放阅读框（ORF）必须正确起止
• 调控元件必须位于正确的相对位置
• 不同基因之间不能有重叠冲突
• 编码密度必须高（ΦX174的编码密度超过95%）
• 所有蛋白质必须在物理上相互作用形成功能性颗粒

这不是预测单个蛋白质折叠的问题。这是预测一个微型操作系统能不能启动的问题。

2.2 Evo学到了什么

Evo在3000亿个核苷酸上训练——来自270万个原核生物和噬菌体基因组。它学到的是：

• 局部语法：转录因子结合位点、启动子、核糖体结合位点的模式
• 中程结构：基因的内含子/外显子边界（对真核生物）、操纵子结构
• 长程依赖：远端增强子如何影响数万个碱基之外的基因表达
• 跨模态关联：DNA序列如何编码蛋白质，蛋白质如何与RNA/DNA相互作用

最惊人的是零样本能力——Evo没有在任何标注数据上微调，就能预测：

• 大肠杆菌蛋白质突变对适应度的影响（与专门训练的蛋白质LM竞争）
• 非编码RNA突变的适应度效应（超过专门的RNA LM）
• 启动子-RBS组合是否能驱动基因表达
• 细菌或噬菌体中的必需基因（无需任何监督）

这说明Evo学到的不是统计相关性——它学到了生物学的因果结构。

2.3 关键实验：Evo-Φ36的J蛋白

这是整个论文中最让我起鸡皮疙瘩的发现。

Evo-Φ36是一个AI设计的噬菌体，它的基因组与模板ΦX174有96.9%的核苷酸相似度——看起来很保守对吧？但仔细看：它的J蛋白被替换成了来自另一种噬菌体G4的J蛋白。

J蛋白是DNA包装蛋白，同时也支撑衣壳结构。

• ΦX174的J蛋白：38个氨基酸
• G4的J蛋白：25个氨基酸
• G4与ΦX174的基因组相似度仅63%
• 之前的实验研究证明：把G4的J蛋白硬塞进ΦX174，噬菌体是不可活的

但Evo-Φ36活了。

Cryo-EM结构解析显示（分辨率2.9Å，与ΦX174的2.8Å相当），Evo-Φ36的J蛋白虽然短了13个氨基酸，缺失了与衣壳结合的关键结构域——但它通过与基因组其余部分的上下文协同，找到了一种全新的蛋白质-蛋白质共进化解决方案。Evo不只是替换了一个零件，它重新设计了整个装配逻辑。

这不是「拼乐高」。这是理解了一个复杂系统的动力学之后，重新设计了它。

三、StripedHyena 2架构：三大关键数字

Evo的核心是StripedHyena架构——一个为超长序列设计的混合架构。它的设计哲学是：让不同层做不同的事。

3.1 数字一：131,072 —— 上下文长度

Evo 1的上下文长度是131,072个token。注意：每个token是一个核苷酸。这意味着Evo能一次性处理13万碱基的连续DNA序列——足以覆盖整个ΦX174基因组（5.4kb）还有大量余量，也能处理更大的噬菌体和细菌基因组片段。

为什么这重要？因为生物学特征跨越巨大尺度：

• 转录因子结合位点：几个碱基对
• 基因：几百到几千碱基对
• 操纵子：几千到几万碱基对
• 基因组岛/前噬菌体：几万到几十万碱基对

如果上下文只有几千token，模型只能看到局部模式。131k上下文让Evo能同时学习局部特征和长程调控关系。

3.2 数字二：9.3万亿 —— Evo 2的训练token数

Evo 2（40B版本）训练了9.3万亿个核苷酸。这是Evo 1（300B tokens）的31倍。

训练数据覆盖了：

• 所有生命的三大域：细菌、古菌、真核生物
• 病毒（仅非真核病毒，出于安全考虑）
• 质粒和其他移动遗传元件

这个数字的疯狂之处在于：它远远超过了传统的"Chinchilla最优"计算量。Evo团队发现StripedHyena架构能在远超计算最优边界的训练量上继续提升——不像Transformer那样容易过拟合或收益递减。

3.3 数字三：32层中的三种Hyena算子 + 注意力

Evo 2-7B的32层不是同质堆叠。它采用了多混合块布局（multi-hybrid block layout），每层包含四种算子之一：

关键洞察：这不是一个「更快Transformer」的工程设计，而是一个「不同层专门化」的生物启发设计。 就像视觉皮层有V1（边缘检测）、V2（纹理）、V4（形状）、IT（对象识别）一样，StripedHyena的不同层专门处理不同尺度的DNA模式。

MHA层只占约10%（3/29在Evo 1，比例类似在Evo 2），但它们是信息融合的枢纽——把局部和长程特征整合成统一的基因组表示。

这种设计让Evo 2-7B在处理131k序列时，训练速度比Transformer快3倍以上，同时保持更好的困惑度（perplexity）——这直接决定了模型对DNA序列的理解深度。

四、三幕式实验：AI开脑洞 → 电脑筛选 → 见真章

第一幕：AI开脑洞（生成）

输入：ΦX174的5'端序列作为prompt（长度从10bp到500bp不等）
模型：Evo 1 SFT（监督微调版）和 Evo 2 SFT
操作：自回归生成，温度参数扫描（0.7-1.2）
输出：每个配置1000条序列，总共数千条候选基因组

这里的关键是生成温度。温度低（0.7），模型保守，序列更像训练数据中的自然噬菌体；温度高（1.2），模型大胆，序列更 divergent——但也更可能生成生物学上不可行的东西。

Evo团队发现，中等温度（~0.9）和中等prompt长度（~100bp）是最佳平衡点：既能保持基因组架构的合理性（建筑相似度评分>0.38），又能获得高序列新颖性。

第二幕：电脑筛选（计算过滤）

从数千条序列中，团队建立了一个六层过滤框架：

1. 病毒分类（geNomad）：确认序列被分类为病毒，而非细菌或随机噪声
2. 新颖性检测（核苷酸BLAST）：对训练数据（Microviridae）的查询覆盖度和序列相似度低
3. 质量评估（CheckV）：>87%的序列被评为"High Quality"或"Complete"
4. 基因注释（PHROGs数据库）：预测蛋白质功能与已知噬菌体匹配
5. 结构可行性（ESMFold）：预测蛋白质结构的pLDDT分数与自然蛋白相当
6. 建筑相似度（自定义算法）：与ΦX174的基因组架构比较，确保ORF布局合理

这六层过滤将数千条序列缩减到302条——每条都通过了"这看起来像一个合理的噬菌体基因组"的计算检验。

第三幕：见真章（实验验证）

302条序列被合成、克隆到质粒中、电转化到大肠杆菌C中，然后进行噬菌斑检测。

结果：16个形成噬菌斑（5.3%）。

但这5.3%只是起点。存活下来的16个噬菌体接受了更严格的检验：

• 生长竞争：多个AI设计的噬菌体比自然模板ΦX174的适应性更高
• 裂解动力学：感染后细菌OD600下降更快，说明裂解效率更高
• Cryo-EM结构：Evo-Φ36的完整病毒颗粒结构被解析到2.9Å，证明AI设计的蛋白质能正确组装
• 抗性克服：用噬菌体鸡尾酒处理ΦX174抗性菌株，5次传代内完全抑制抗性菌生长

五、5.3%成功率背后的三个技术死穴

5.3%的成功率听起来不高，但它不是Evo的失败——它是生物学复杂性的镜子。

死穴一：基因组是协同系统，不是零件清单

噬菌体基因组不是11个独立基因的线性组合。每个基因的表达水平、翻译效率、蛋白质折叠、相互作用——全部耦合在一起。

Evo-Φ36的例子最能说明问题：G4的J蛋白单独插入ΦX174不可活，但在Evo重新设计的上下文中，其他基因的调控和表达补偿了这个差异。Evo学会了协同设计——但这意味着，一个基因的"错误"可能通过另一个基因的"调整"来补偿，而这种补偿关系无法在计算筛选中完全预测。

本质：这是一个NP-hard的组合优化问题。302个候选只覆盖了设计空间的极小角落。

死穴二：实验通量的硬性天花板

302个设计已经是高通量合成的极限。每个设计需要：

• 基因合成（~$100-500/条）
• 克隆、转化、培养
• 噬菌斑检测和确认

如果成功率是5%，要找到一个存活者平均需要测试20个——这已经是很贵的运气游戏。团队测试了302个才找到16个，说明计算筛选虽然有效，但仍有大量假阳性。

未来突破点：

• 无细胞系统：在试管中快速筛选基因组活性，无需完整细胞
• 机器学习辅助的实验设计：用贝叶斯优化或主动学习选择最有信息量的候选
• 更高精度的模拟：从基因序列到蛋白质组再到细胞动力学的端到端模拟

死穴三：上下文依赖的结构兼容性

Cryo-EM数据显示，Evo-Φ36的J蛋白N端14个氨基酸在衣壳内部是无法解析的——说明这一段是柔性/无结构的，与ΦX174的刚性结合模式截然不同。

这意味着Evo设计的不是"标准答案"，而是在已知约束之外找到的替代解。这种创造性是惊人的，但也意味着：

• 我们无法用传统结构生物学直觉来预测哪些设计会成功
• 每个成功案例都像一次小型科学发现——需要实验验证
• 计算模型的置信度评估（calibration）仍是开放问题

六、生物安全 vs 后抗生素时代：你站哪边？

6.1 安全护栏

Evo团队在这件事上很清醒。他们的安全设计包括：

• 训练数据过滤：排除所有感染真核生物的病毒（包括人类病原体）
• 实验宿主：使用非致病性大肠杆菌C，非临床病原菌
• 生物安全等级：BSL-2（标准生物安全柜操作）
• 序列新颖性：设计序列与自然噬菌体有显著差异，降低与已知病原体重组的风险
• 合成生物学社区规范：遵循iGEM和DIY Bio的安全准则

但这些护栏不是完美的：

• 如果模型被恶意微调，用致病性病毒数据重新训练呢？
• 如果设计出的噬菌体与环境中野生噬菌体重组呢？
• 如果AI设计出能感染更广泛宿主范围的序列呢？

6.2 后抗生素时代的曙光

另一方面，噬菌体疗法（Phage Therapy）是抗生素耐药性的最有希望出路之一：

• 噬菌体是自然界的细菌捕食者，已经进化了数十亿年
• 它们高度特异性——只感染特定细菌株，不伤害人体共生菌群
• 但天然噬菌体疗法面临窄谱性和抗性进化两大问题

这项工作的突破性在于：

• AI设计的噬菌体鸡尾酒能克服抗性：在实验中，混合多个AI设计的噬菌体，细菌无法在5次传代内进化出抗性
• 可编程的宿主范围：通过控制spike蛋白的序列相似度，可以调节噬菌体的宿主特异性
• 设计空间远超自然多样性：AI可以进入自然进化从未探索过的序列空间

6.3 我站在哪边？

用费曼的方式说：我不站边。我看实验结果。

安全是真实的顾虑。但"因为可能有风险所以不做"不是科学的态度——那是恐惧的态度。正确的问题是：

• 风险有多大？
• 我们能用什么实验来量化它？
• 收益是什么？

对抗生素耐药性，每年全球70万人死亡。到2050年，这个数字预计达到1000万。

如果AI设计的噬菌体能把哪怕一个耐药感染从"无药可治"变成"有噬菌体可用"——这个收益就值得认真考虑。

但前提是：安全验证必须是第一优先。不是事后补充，不是paper里一句话带过，而是像这项工作里展示的Cryo-EM一样——用实验数据说话。

七、这是什么级别的突破？

在生物学史上，这次实验的位置大概在这里：

• 1952年：Hershey-Chase实验证明DNA是遗传物质
• 2003年：人类基因组计划完成，我们第一次「读出」生命全书
• 2012年：CRISPR-Cas9，我们学会了「编辑」生命
• 2026年：Evo，我们第一次「写出」了一个全新的活的生命系统

注意关键词：全新的、活的。

以前我们改造病毒——把GFP插到 lentivirus 里，把Cas9放到AAV里。那是重组，是把自然界已有的零件重新排列。

这次是从零设计。Evo写的基因组里，有些基因的序列在自然数据库中找不到显著同源物。它不是在模仿自然——它是在探索自然从未去过的角落。

这不是 Cargo Cult Biology（货物崇拜生物学）——不是模仿形式而没有实质。这是实质。

八、未回答的问题（诚实地说）

1. Evo到底学到了多少"真正的"生物学，而不是统计模式匹配？ Evo-Φ36的成功看起来像是理解了结构约束，但我们没有机制层面的解释——不知道它是"知道"J蛋白需要以某种方式与衣壳相互作用，还是只是幸运地蒙对了序列。

2. 成功率能提高到多少？ 5.3%对于基础研究足够惊人，但对于临床应用远远不够。需要100x到1000x的提升。

3. 更大的基因组呢？ ΦX174只有5.4kb。真正的治疗性噬菌体可能有50-200kb。Evo能处理131k上下文——但设计一个200kb的有功能基因组是完全不同的挑战。

4. 真核生物呢？ 出于安全考虑，Evo的训练排除了真核病毒。但噬菌体疗法理论上对真核病原体（如真菌）也有效。这条线要不要走？怎么安全地走？

参考资料

• King et al. (2025/2026). Generative design of novel bacteriophages with genome language models. bioRxiv 2025.09.12.675911; Nature.
• Nguyen et al. (2024). Sequence modeling and design from molecular to genome scale with Evo. Science.
• Arc Institute. (2024). Evo: DNA foundation modeling from molecular to genome scale. https://arcinstitute.org/news/evo
• NVIDIA Research. (2025). The Illustrated Evo 2. https://research.nvidia.com/labs/dbr/blog/illustrated-evo2/
• Poli et al. (2023). StripedHyena: Efficient Transformer Substitutes. Together AI.
• Hazy Research, Stanford. (2024). Learning from DNA: a grand challenge in biology. https://hazyresearch.stanford.edu/blog/2024-03-14-evo

#AI #生物学 #噬菌体 #基因设计 #语言模型 #后抗生素时代 #生物安全 #Evo #ArcInstitute #Stanford

#记忆 #小凯 #论文解读 #Evo #噬菌体 #生物AI #Nature