AI设计噬菌体：基因组语言模型如何创造全新抗菌武器？

2026-08-11 12:37 0 阅读

从抗生素困境到噬菌体复兴

细菌耐药性已成为全球公共卫生的重大威胁。世界卫生组织警告，如果不采取行动，到2050年耐药菌感染可能导致每年1000万人死亡。传统抗生素的研发速度远跟不上细菌变异的速度，这迫使科学家寻找全新的抗菌策略。

噬菌体，这种专门感染细菌的病毒，重新进入研究视野。它们在地球上数量庞大，估计总数达10的31次方，是细菌的10倍。每个噬菌体都有特定的宿主范围，能够精准裂解目标细菌，而不影响人体正常菌群。这种特异性让噬菌体成为潜在的精准抗菌工具。

然而，从自然界筛选高效噬菌体如同大海捞针。传统方法需要从环境样本中分离、纯化、验证，过程繁琐且成功率低。更重要的是，天然噬菌体往往存在宿主范围窄、稳定性差等缺陷，难以直接用于临床。

近年来，大语言模型在自然语言处理领域取得突破性进展。这些模型通过分析海量文本，学习语言的统计规律和结构特征，从而能够生成连贯、有意义的文本。

基因组语言模型采用了类似的思路，但处理的对象是DNA序列。对于AI而言，DNA不再只是A、T、C、G组成的字符串，而是一种蕴含进化信息的"生命语言"。基因的排列方式、编码区域之间的关系、不同序列组合产生的功能，都隐藏在这种语言结构中。

斯坦福大学团队使用的Evo 1和Evo 2模型，正是面向基因组序列的大规模预训练模型。它们学习了大量不同物种的基因组数据，掌握了序列的统计规律和进化约束。这些模型能够理解哪些序列组合是可行的，哪些会破坏基因功能。

为了验证AI设计基因组的可行性，研究团队选择了噬菌体ΦX174作为研究对象。这是一种感染大肠杆菌的微小噬菌体，基因组仅约5400个碱基，结构简单且研究历史悠久，是病毒基因组学的经典模型。

研究人员首先用约1.5万条Microviridae科噬菌体序列对模型进行微调，使其更擅长生成该家族的基因组。然后，通过调整起始序列的长度和采样温度，在序列多样性和保守性之间取得平衡。

噬菌体基因组的一个显著特点是存在大量重叠基因，即同一段DNA序列可以编码多个蛋白质。这给基因注释带来了挑战。团队开发了专用的开放阅读框（ORF）预测算法和基因组架构相似度评分，能够准确识别重叠基因，评估生成序列的完整性。

生成序列只是第一步，真正的挑战在于让这些序列成为能够运行的生命系统。研究团队设计了一套完整的筛选与验证流程。

模型首先生成了302个候选噬菌体基因组。研究人员根据基因组完整性、序列特征和潜在功能进行筛选，通过DNA合成和Gibson组装成功构建了285个基因组。将这些基因组转化到大肠杆菌后，最终获得了16株具有完整感染活力的人工噬菌体。

这16株噬菌体与天然ΦX174存在大量突变，包括同义突变、非同义突变和非编码区突变。部分菌株的核苷酸同源性低至93%，已达到噬菌体新物种的分类标准。更令人惊讶的是，许多突变在现有天然序列数据库中找不到同源片段，属于AI创造的全新序列。

在16株成功噬菌体中，Evo-Φ36尤为引人注目。它的DNA包装蛋白J被替换为远缘噬菌体G4的同源序列。在天然状态下，这种替换是致死性的，因为J蛋白与衣壳的结合至关重要。

然而，AI设计的基因组背景通过其他位点的协同突变，竟然兼容了这种异源蛋白。电镜结构解析显示，Evo-Φ36的衣壳组装正常，但J蛋白的N端不再结合衣壳，转而主要行使DNA包装功能。这种新型结构互作模式在自然界中并不存在，是AI设计带来的意外创新。

这一发现表明，基因组语言模型不仅能够生成可行的序列，还能探索出超越自然进化的解决方案。AI通过理解序列间的复杂关系，找到了人类难以预见的突变组合。

生长竞争实验显示，多株设计噬菌体在共感染环境下的繁殖速率超过野生型ΦX174。其中Evo-Φ69表现尤为突出，在三次独立竞争中均位列适应性第一，累积扩增倍数显著高于野生型。

更令人振奋的是，由16株设计噬菌体组成的混合剂，在1至5代内就能突破全部3株耐药大肠杆菌的防御。而野生型ΦX174在相同条件下始终无法突破耐药性。这表明AI设计的噬菌体不仅具有更强的适应性，还能有效对抗耐药菌。

这项研究首次证明，基因组语言模型能够从头设计出具有完整生物学功能的病毒全基因组。它将生成式生物学从蛋白尺度推进到基因组尺度，为合成生物学开辟了新的可能性。

然而，距离实际应用仍有很长的路要走。AI设计的噬菌体还需要进一步评估安全性、宿主范围、稳定性以及实际治疗价值。一个能够感染细菌的病毒，并不等同于能够成为临床使用的抗菌工具。

目前，团队仅验证了小型噬菌体基因组。未来，这一技术有望向更大基因组、更复杂的生物体系拓展。例如，设计能够感染特定病原菌的噬菌体，或改造噬菌体使其具有更强的裂解能力。

此外，基因组语言模型的应用不仅限于噬菌体。它还可以用于设计其他病毒载体、基因治疗工具，甚至合成最小基因组。这项技术将深刻影响生物医学研究的多个领域。

AI设计噬菌体的成功，标志着人工智能与生物学的深度融合进入新阶段。它展示了AI在理解复杂生命系统方面的巨大潜力，也为应对抗生素耐药性危机提供了新的思路。随着技术的不断进步，我们有理由相信，AI将成为生命科学研究中不可或缺的工具，为人类健康带来更多突破。