Fra generativ kunstig intelligens til laboratoriet: Ved Stanford blir syntetiske DNA-sekvenser funksjonelle bakteriofager mot bakterier

En modell av kunstig intelligens Han skrev hele virusgenomer, forskere syntetiserte dem i laboratoriet, og seksten av disse sekvensene ble funksjonelle bakteriofager, i stand til å infisere og drepe stammer av Escherichia coliOvergangen fra digital generering av DNA til eksperimentell verifisering fører til Evo 2, en modell utviklet med bidrag fra Stanford University og Arc Institute, i et felt som tidligere hovedsakelig ble utforsket gjennom modifikasjoner av eksisterende biologiske systemer.

Gruppen ledet av Brian Hie, assisterende professor i kjemiteknikk ved Stanford, med sin doktorgradsstudent i bioingeniørfag Samuel King Som den første forfatteren av det eksperimentelle arbeidet startet han med bakteriofagen ΦX174Genomet har omtrent 5.400 basepar, sammenlignet med de omtrent tre milliarder av det menneskelige genomet: relativt små dimensjoner som gjør det til et passende testmiljø for å verifisere om en generativ modell kan designe ikke bare et gen eller et protein, men en komplett genom som er i stand til å fungere.

Resultatet er født av møtet mellom forskning og utvikling, beregningsmodellering og syntetisk biologi. Evo 2 genererer sekvenser nukleotid for nukleotid; laboratoriet må deretter bestemme hvilke som er verdige syntese, transformere dem til fysisk DNA og verifisere om det datadesignede systemet faktisk kan replikere og utføre sin tiltenkte funksjon. Det er nettopp dette siste trinnet som skiller en biologisk plausibel sekvens fra en funksjonell virusorganisme.

«I dette tilfellet ønsket vi at modellen skulle generere hele genomet fra ende til ende, i én omgang fra venstre til høyre. Vi la ikke til noe.»

forklarte Brian Hie.

I tester har noen av forslagene produsert av Evo vist en høyere kondisjon enn naturlig ΦX174Dette betyr ikke at AI har funnet et klinisk klart antibiotikum: eksperimentet er et bevis på konseptet på relativt enkle bakteriofager, og avstanden mellom et laboratorieresultat og en godkjent behandling er fortsatt betydelig. Det viser imidlertid at en kunstig generert genomsekvens kan tåle beregningsmessig seleksjon, syntetiseres og produsere en funksjonell biologisk enhet med de ønskede egenskapene.

Fra tusenvis av digitale sekvenser til 16 fungerende fager

Problemet var ikke bare å generere DNA. Evo 2 kan produsere tusenvis av kandidater, men Det ville være dyrt og ineffektivt å fysisk syntetisere hver sekvensKing utviklet deretter et beregningsrammeverk for å evaluere foreslåtte genomer og gradvis redusere antallet alternativer som skulle bringes inn i laboratoriet.

Prosessen fulgte en presis kjede: generering av genomer, evaluering i henhold til biologiske kriterier avledet fra ΦX174 og relaterte fager, valg av kandidater, kjemisk syntese av DNA og til slutt eksperimentelle tester på bakterierFra de mange genomene som ble produsert av modellen, syntetiserte og eksperimenterte gruppen med nesten 300 bakteriofager, og identifiserer seksten av dem med spesielt effektive egenskaper mot E. coli.

«En av hoveddelene i designrammeverket var å forstå hvilke funksjoner genomene burde ha basert på ΦX174 og relaterte fager».

fortalte han Samuel King.

Beregningsfilteret har også en økonomisk konsekvens. DNA-syntese er fortsatt dyrt, slik at evnen til å eliminere de minst lovende kandidatene in silico før de fysisk produseres blir en integrert del av designprosessen. Den generative modellen i seg selv erstatter derfor ikke laboratoriet: den utvider rommet for utforskbare løsninger betraktelig, mens beregningsbasert utvalg og eksperimentering fastslår hvilke sekvenser som sannsynligvis faktisk vil fungere.

Evo 2 har et mye bredere grunnlag enn enkeltfageksperimentet. Modellen, publisert i 2026 den Natur, ble trent på omtrent 9.000 milliarder basepar av DNA fra et genomisk atlas som spenner over alle livets domener. Den kan fungere med et kontekstvindu på opptil én million tokens samtidig som den opprettholder enkeltnukleotidoppløsning. Dens dokumenterte evner inkluderer også å forutsi de funksjonelle effektene av genetiske varianter og gjenkjenne biologiske trekk som finnes i sekvenser.

Treningsskalaen er viktig for å forstå forskjellen sammenlignet med programvare som er utelukkende utviklet for å modifisere ΦX174. Evo 2 er en genomisk fundamentmodell: den lærer statistiske og strukturelle regelmessigheter fra DNA-et til svært forskjellige organismer og kan deretter brukes til spesifikke oppgaver. I denne forstand ligner prinsippet på prinsippet i store språklige modeller, men alfabetet er ikke satt sammen av ord og setninger: det er sekvensen av baser som utgjør det genetiske materialet.

Bakteriofager blir kandidater mot bakteriell resistens

Valget om å konstruere flere genetisk forskjellige fager har en motivasjon som går utover å teste de generative egenskapene til AI. Bakterier kan utvikle seg og utvikle seg. Resistenza Ikke bare for antibiotika, men også for virusene som angriper dem. En enkelt bakteriofag kan derfor miste sin effektivitet når bakteriepopulasjonen tilegner seg mekanismer som er i stand til å forhindre infeksjon.

«Hvis bakterier utvikler resistens mot en enkelt fag, er det slutt for stoffet. Men hvis du har flere genetisk forskjellige fager i en blanding, ville det være vanskeligere for bakterier å utvikle resistens mot hele blandingen.»

sa Brian Hie.

Forskerne kombinerte derfor seksten fager i en cocktail og brukte den mot E. coli resistent mot naturlig ΦX174. I konseptbeviset som ble beskrevet av gruppen, overvant blandingen raskt denne resistensen. Dette er et begrenset eksperimentelt resultat, men det viser hvorfor evnen til å produsere forskjellige genomiske varianter kan være av spesiell verdi i fremtiden. fagterapi.

Bakteriofager er virus som spesialiserer seg på å infisere bakterier og har lenge blitt studert som potensielle terapeutiske verktøy. Interessen for dem har vokst med spredningen avantibiotikaresistens, fordi de teoretisk sett tillater selektiv målretting av visse mikroorganismer. Problemet er at målet også utvikler seg. Rask tilgang til en rekke genetisk forskjellige varianter kan tillate konstruksjon av kombinasjoner som er vanskeligere å nøytralisere med en enkelt mutasjon eller forsvarsmekanisme.

Stanford peker på bakterier som er ansvarlige for vanskelig behandlede infeksjoner blant mulige fremtidige mål, inkludert Meticillinresistente Staphylococcus aureus (MRSA) og Pseudomonas aeruginosa, i tillegg til mikroorganismene som er ansvarlige for tuberkulose. Det nåværende arbeidet viser ikke at Evo 2 allerede er i stand til å produsere terapier mot disse patogenene: det definerer snarere en eksperimentell metode som kan verifiseres på forskjellige systemer.

Evo 2 gjør DNA om til et generativt designproblem

Den metodiske nyheten gjelder nivået algoritmen opererer på. De fleste AI-applikasjoner innen biovitenskap har fokusert på å forutsi proteinstrukturer, identifisere molekyler, analysere mutasjoner eller designe individuelle biologiske komponenter. Her er designmålet i stedet hele virusgenomet.

Et genom er ikke en enkel samling av uavhengige gener. Funksjon, regulering, kompatibilitet mellom komponenter og replikasjonskapasitet avhenger av forhold fordelt gjennom hele sekvensen. For en forsker er det et enormt kombinatorisk problem å tolke tusenvis av nukleotider direkte og forutsi effekten av kombinasjonene deres. Genomiske modeller forsøker å lære nettopp disse regelmessighetene ved å bruke store mengder naturlige sekvenser som treningsmateriale.

Evo 2 ble opprinnelig avduket i 2025, og arbeid som beskriver arkitekturen og funksjonene har blitt publisert i Naturen 4. mars 2026Modellen ble utviklet gjennom et samarbeid mellom Arc Institute, Stanford University, University of California Berkeley, University of California San Francisco, NVIDIA og andre forskningsgrupper. Trening på DNA fra bakterier, arkea, fager, planter, dyr og mennesker gjør det mulig å takle svært forskjellige problemer uten å måtte bygge fra bunnen av for hver enkelt.

Fagdesign tilbyr imidlertid en strengere test enn beregningsbasert prediksjon. Hvis en modell korrekt tilordner en effekt til en mutasjon, kan ytelsen måles ved å sammenligne den med eksisterende data. I tilfelle av en genom som aldri eksisterte før, må den genererte sekvensen transformeres til biologisk materiale og utsettes for det mest konkrete utvalget som mulig: å fungere eller ikke.

På dette området dukker det også opp begrensninger. Uavhengige studier publisert i 2026 har vist at genomiske språkmodeller kan reprodusere noen lokale trekk ved sekvenser godt uten nødvendigvis å bevare alle de komplekse langsiktig genomisk organiseringEvnen som er demonstrert med en fag på omtrent 5.400 baser kan derfor ikke automatisk ekstrapoleres til mye større genomer, med mer komplekse arkitekturer og reguleringssystemer.

Åpen tilgang bringer biosikkerhet og kontroll tilbake i forgrunnen

Evo 2 distribueres som en modell åpen kildekode og kan brukes gratis av det vitenskapelige miljøet. Åpenhet fremmer reproduserbarhet, utvikling av nye verktøy og uavhengig verifisering, men muligheten for å generere biologiske sekvenser introduserer også spørsmål om biosikkerhet og biosikkerhet som øker sammen med modellenes muligheter.

Hie erkjenner at modifiserte versjoner av verktøyet kan misbrukes, men argumenterer for at AI også kan gi nytt forsvar mot naturlige patogener og menneskeskapte biologiske trusler. I motsetning til naturlig evolusjon, bemerker forskeren, kan et beregningssystem også utformes med innebygde kontroller og begrensninger.

Poenget vil garantert bli stadig mer relevant etter hvert som generasjonen går fra korte utbrudd til komplette og funksjonelle genomerStanford-eksperimentet er bevisst begrenset til et relativt enkelt virussystem og testing av bakteriofager mot E. coliDen demonstrerte tekniske kapasiteten flytter imidlertid diskusjonen fra den teoretiske muligheten for å generere plausibelt DNA til den konkrete håndteringen av syntetiserbare og biologisk aktive sekvenser.

Hie samarbeider allerede med andre forskere for å utvide tilnærmingen til nye bakteriofager og lengre og mer komplekse DNA-sekvenserForskningsmålene inkluderer små bakteriegenomer og potensielt konstruerte mikroorganismer som er i stand til å produsere kjemikalier, medisiner eller drivstoff. Dette er muligheter som ennå ikke er eksperimentelt demonstrert, ikke lett tilgjengelige anvendelser.

«De største åpne spørsmålene for meg er hvordan man kan oppnå større genetisk nyhet og hvordan man kan oppnå større kontrollerbarhet av resultatene»

illustrert av Brian Hie.

Det er på disse to problemene at neste trinn nå måles: ikke bare å generere sekvenser som fungerer, men å etablere hvor langt de kan avvike fra kjent biologi uten å miste funksjonalitet og hvor nøyaktig det er mulig å forutsi deres oppførsel på forhånd. For de seksten utvalgte bakteriofagene kom svaret fra laboratoriet. For større genomer og mer komplekse biologiske systemer gjenstår det å verifisere.

Evo 2 er Stanford Universitys generative AI for DNA-studier

Her er tre innsikter som kan interessere deg:

Mer effektive genetiske reparasjoner med kunstig intelligens
Biologi, informatikk og ingeniørfag møtes i Basel
GeneSys Bio og den nye grensen innen molekylærdiagnostikk