大型基因组模型用于设计新病毒

# 大型基因组模型用于设计新病毒 来源：https://arstechnica.com/science/2026/08/large-genome-models-used-to-design-new-viruses/ 该AI系统能生成基因距离较远的杀菌病毒版本。 生物学中大量的AI工作一直专注于设计蛋白质。部分原因是蛋白质承担了生命的大部分工作，催化有趣的化学反应并构建细胞结构。因此，弄清楚如何制造一种新蛋白质可能意味着直接对生物化学进行改造，从而提供[新的](https://arstechnica.com/science/2025/01/researchers-use-ai-to-design-proteins-that-block-snake-venom-toxins/)和[潜在有用的](https://arstechnica.com/science/2025/02/using-ai-to-design-proteins-is-now-easy-making-enzymes-remains-hard/)功能。 由于遗传密码在DNA和蛋白质之间提供了一层抽象，因此训练于DNA的模型能做什么并不明显。然而，人们还是继续前行，构建了一个大型基因组模型，结果它能够输出可在细菌中[编码功能蛋白](https://arstechnica.com/science/2025/11/generative-ai-meets-the-genome/)的DNA序列，并[模仿复杂细胞中的基因结构](https://arstechnica.com/science/2026/03/large-genome-model-open-source-ai-trained-on-trillions-of-bases/)。现在，同样的模型已被用于输出感染细菌的病毒基因组。 这不是科幻——模型创造的所有病毒都与一种现有病毒密切相关。但它们确实具有一些难以进化的独特特征。开展这项工作的研究人员来自斯坦福大学，他们建议我们或许应该现在就开始思考，为可能有人开发出能设计针对脊椎动物的病毒的相关AI做准备。 ## 大型基因组模型 大型语言模型本质上是在训练其预测下一段文本的能力，训练数据是开发者能获取到的最庞大的人类生成文本汇编。大型基因组模型采用相同的方法，但应用于DNA。从某种程度上说，这简化了问题，因为DNA只使用四个“字母”：A、T、C和G。但更复杂的是，基因组中通常存在一些区域，其中下一个字母非常重要，而这些区域之间穿插着一些序列，后者的下一个碱基可以是任何东西，都无关紧要。 因此，大型基因组模型需要在许多我们人类尚未弄清楚的场景中，识别其输出序列的生物学背景。不过，如果我们给它们足够多的基因组序列，它们似乎就能做到。功能相关的细菌基因往往聚集在一起。用一个基因簇的部分序列提示大型基因组模型，它就会输出编码相关功能蛋白的DNA序列——其中可能包括我们迄今尚未识别出的、看起来陌生但可正常工作的蛋白质。 但我们自身知识的缺乏限制了我们能用这些模型做什么。如果我们用来自复杂细胞的一段序列提示它们，模型会输出一串碱基，其中包含看起来像基因和调控DNA的序列。但是，由于大多数基因实际上可以位于真核基因组的任何位置，我们不知道这些“幻觉”基因可能执行什么功能（如果真有功能的话），因此我们无法真正以任何方式测试它们。 尽管如此，作为预防措施，在训练这些名为Evo 1和Evo 2的模型时，研究人员没有向它们提供任何来自针对复杂细胞的病毒的序列。即使我们无法理解它们输出的内容，它们仍有可能输出危险的东西。 但有一个完整的病毒世界，它们攻击细菌而不会感染人类。Evo的开发者们认为，这些病毒是可以研究的对象。因此，他们没有关注Evo 1和Evo 2能否输出看起来合理的基因，而是决定测试它们能否输出完整的基因组。 ## 从混沌到有序 他们选择作为测试案例的模型病毒是名字朗朗上口的ΦX174，属于一个感染*E. coli*（大肠杆菌）的更大病毒家族。除了使用地球上研究最透彻的细菌进行测试的便利性之外，ΦX174还有许多显著特征。它相当简单：在约5,400个碱基上分布着11个基因，而且这11个基因的功能都已确定，病毒的感染周期也已得到充分研究。 从与大型基因组模型配合使用的角度来看，它还有一个有用的特征：病毒末端总是具有相同的短碱基序列。因此，如果你使用这些碱基作为提示，大型基因组模型应该能够识别出它需要输出一个与ΦX174有某种关联的序列作为响应。 为了进一步准备模型，Evo 1和Evo 2被输入了超过200万个额外碱基的感染细菌的病毒DNA序列（称为噬菌体），然后用ΦX174所属的微小病毒科（Microviridae）特有的序列进行微调。之后，他们尝试了不同的提示。如果提示中ΦX174起始序列过多，模型会直接