面对全球范围内日益严峻的细菌耐药性问题，传统抗生素的治疗效果持续减弱，寻找新型抗菌方案已经成为生物医药领域的重要研究方向。近日，
斯坦福大学研究团队借助自主研发的生成式人工智能模型Evo 2，成功设计并合成出全新噬菌体菌株，在实验室条件下高效杀灭大肠杆菌，为新一代AI抗菌疗法的研发提供了清晰可行的技术路径。
噬菌体是一类可以特异性侵染并杀灭细菌的病毒，也是替代传统抗生素的重要研究载体。不同于人工合成药物，噬菌体具备靶向性强、适配微生物进化特征的优势，长期以来被学界视作应对耐药菌感染的关键方向。但受限于基因组设计难度高、合成成本高、筛选效率低等问题，人工改造噬菌体的临床应用一直难以规模化落地。
本次研究由
斯坦福大学化学工程助理教授Brian Hie、生物工程研究生Samuel King主导完成。研究团队以天然噬菌体ΦX174为基础模板，依托Evo 2生成式AI模型开展全新基因组设计。研究仅向AI输入少量原始DNA片段，由模型独立、完整生成全新的噬菌体基因组序列，全程无人工额外修饰与干预，实现端到端的全自动基因组设计。
为验证AI设计成果的实际有效性，研究团队基于Evo 2输出的海量基因组方案，筛选出近300组可行性较高的序列进行人工化学合成与生物实验测试。经过多轮抑菌效果验证，最终筛选出16株对大肠杆菌具备高效杀伤能力的全新噬菌体。部分AI设计菌株的环境适配能力与抑菌表现，优于天然野生型ΦX174噬菌体，实验整体效果超出预期。
针对细菌耐药性这一核心难题，研究团队提出噬菌体混合制剂的创新思路。传统单一抗生素或单一噬菌体治疗模式，容易诱导细菌产生针对性抗性，最终导致治疗失效。而16株基因结构差异化的噬菌体组合，可以从多个维度攻击致病菌，大幅提升细菌产生整体耐药性的难度。实验证实，该混合噬菌体制剂能够有效攻克已经对天然噬菌体产生免疫抗性的大肠杆菌菌株，完成了耐药菌治疗的概念性验证。
为解决基因组筛选成本高、工作量大的问题，团队搭建了配套计算评估框架。该框架可以依据噬菌体的基因结构特征、功能适配标准，自动完成海量AI基因组方案的筛选、评估与择优，大幅压缩无效实验成本，精准锁定具备研究价值的候选菌株，有效提升人工合成与实验验证的效率。
为推动全球科研领域共同推进生物AI技术迭代，斯坦福团队将Evo 2模型完全开源、免费开放，供全球科研人员下载使用。针对外界关注的生物安全问题，研究团队也作出系统回应。研究人员表示，天然病原体的自然演化存在不可控风险，且无法设置安全校验机制；而AI生成工具可内置多层安全核查逻辑，能够在设计阶段规避高风险序列。相较自然变异的病原体，可控的AI设计体系具备更高的安全性与可监管性，能够为人类应对自然流行病、生物威胁提供技术支撑。
该研究不仅验证了生成式AI从零设计功能性生命体基因组的可行性，也拓宽了合成生物学的研究边界。未来，研究团队将持续优化Evo 2模型，尝试设计更长、更复杂的DNA序列与小型细菌基因组，拓展技术应用场景，用于研发靶向结核杆菌、耐甲氧西林金黄色葡萄球菌、铜绿假单胞菌等多种耐药致病菌的新型噬菌体。同时，团队计划依托AI工程化微生物体系，探索药物、化工原料、清洁能源等生物制造新路径。
在技术迭代方向上，研究团队将重点突破两大核心问题：进一步提升AI基因组设计的基因创新度，摆脱对天然序列的依赖；同时强化生成结果的可控性与精准度，让人工生命体设计更加标准化、可落地。研究者表示，生成式AI正在重塑合成生物学的研发模式，为生命科学探索打开全新的创新空间，有望持续推动抗菌医疗、生物制造与公共卫生防御体系的升级革新。
微信扫一扫
