Från generativ artificiell intelligens till laboratoriet: på Stanford blir syntetiska DNA-sekvenser funktionella bakteriofager mot bakterier

En modell av artificiell intelligens Han skrev hela virusgenom, forskare syntetiserade dem i labbet, och sexton av dessa sekvenser blev funktionella bakteriofager, kapabel att infektera och döda stammar av Escherichia coliÖvergången från digital generering av DNA till experimentell verifiering Här 2, en modell som utvecklats med bidrag från Stanford University och Arc Institute, inom ett område som tidigare huvudsakligen utforskats genom modifieringar av befintliga biologiska system.

Gruppen ledd av Brian Hie, biträdande professor i kemiteknik vid Stanford, med sin doktorand i bioteknik Samuel King Som den första författaren till det experimentella arbetet utgick han från bakteriofagen ΦX174Dess genom har cirka 5 400 baspar, jämfört med det mänskliga genomets cirka tre miljarder: relativt små dimensioner som gör det till en lämplig testbädd för att verifiera om en generativ modell kan designa inte bara en gen eller ett protein, utan en komplett genom som kan fungera.

Resultatet är sprunget ur mötet mellan forskning och utveckling, beräkningsmodellering och syntetisk biologi. Evo 2 genererar sekvenser nukleotid för nukleotid; labbet måste sedan avgöra vilka som är värda att syntes, omvandla dem till fysiskt DNA och verifiera om det datordesignade systemet faktiskt kan replikera och utföra sin avsedda funktion. Det är just detta sista steg som separerar en biologiskt trovärdig sekvens från en funktionell viral organism.

"I det här fallet ville vi att modellen skulle generera hela genomet från början till slut, i ett enda steg från vänster till höger. Vi lade inte till något."

förklarade Brian Hie.

I tester har några av förslagen som tagits fram av Evo visat en kondition högre än naturlig ΦX174Detta betyder inte att AI har hittat ett kliniskt färdigt antibiotikum: experimentet är ett proof of concept på relativt enkla bakteriofager, och avståndet mellan ett laboratorieresultat och en godkänd behandling är fortfarande betydande. Det visar dock att en artificiellt genererad genomsekvens kan motstå beräkningsmässig selektion, syntetiseras och producera en funktionell biologisk enhet med de önskade egenskaperna.

Från tusentals digitala sekvenser till 16 fungerande fager

Problemet var inte bara att generera DNA. Evo 2 kan producera tusentals kandidater, utan Att fysiskt syntetisera varje sekvens skulle vara dyrt och ineffektivtKing utvecklade sedan ett beräkningsramverk för att utvärdera föreslagna genom och gradvis minska antalet alternativ som skulle tas in i labbet.

Processen följde en exakt kedja: generering av genom, utvärdering enligt biologiska kriterier härledda från ΦX174 och relaterade fager, val av kandidater, kemisk syntes av DNA och slutligen experimentella tester på bakterierFrån de många genom som producerats av modellen syntetiserade och experimenterade gruppen med nästan 300 bakteriofager, identifiera sexton av dem med särskilt effektiva egenskaper mot E.coli.

"En av huvuddelarna i designramverket var att förstå vilka egenskaper genomet borde ha baserat på ΦX174 och relaterade fager,"

sa han Samuel King.

Beräkningsfiltret har också en ekonomisk konsekvens. DNA-syntes är fortfarande dyr, så möjligheten att eliminera de minst lovande kandidaterna in silico innan de fysiskt produceras blir en integrerad del av designprocessen. Den generativa modellen i sig ersätter därför inte laboratoriet: den utökar avsevärt utrymmet för utforskande lösningar, medan beräkningsmässigt urval och experiment fastställer vilka sekvenser som sannolikt faktiskt fungerar.

Evo 2 har en mycket bredare grund än experimentet med en enda fag. Modellen, publicerad 2026 den Natur, utbildades på ungefär 9 000 miljarder baspar av DNA från en genomisk atlas som spänner över alla livets domäner. Den kan arbeta med ett kontextfönster på upp till en miljon tokens samtidigt som den bibehåller upplösningen på en enda nukleotid. Dess dokumenterade kapacitet inkluderar även att förutsäga de funktionella effekterna av genetiska varianter och känna igen biologiska egenskaper som finns i sekvenser.

Träningsskalan är avgörande för att förstå skillnaden jämfört med en programvara som är utformad uteslutande för att modifiera ΦX174. Evo 2 är en genomisk grundmodell: den lär sig statistiska och strukturella regelbundenheter från DNA:t hos mycket olika organismer och kan sedan användas för specifika uppgifter. I denna mening liknar principen den för stora språkliga modeller, men alfabetet består inte av ord och meningar: det är sekvensen av baser som utgör det genetiska materialet.

Bakteriofager blir kandidater mot bakteriell resistens

Valet att konstruera flera genetiskt distinkta fager har en motivation som går utöver att testa AI:s generativa förmåga. Bakterier kan utvecklas och utvecklas. motstånd Inte bara för antibiotika, utan även för de virus som angriper dem. En enskild bakteriofag kan därför förlora sin effektivitet när bakteriepopulationen får mekanismer som kan förhindra dess infektion.

"Om bakterier utvecklar resistens mot en enda fag är det kört för läkemedlet. Men om man har flera genetiskt distinkta fager i en blandning skulle det vara svårare för bakterier att utveckla resistens mot hela cocktailen."

sa Brian Hie.

Forskarna kombinerade därför sexton fager i en cocktail och använde den mot E.coli resistent mot naturlig ΦX174. I det konceptuella beviset som beskrivs av gruppen övervann blandningen snabbt den resistensen. Detta är ett begränsat experimentellt resultat, men det visar varför förmågan att producera olika genomvarianter skulle kunna vara av särskilt värde i framtiden. fagterapi.

Bakteriofager är virus som specialiserar sig på att infektera bakterier och har länge studerats som potentiella terapeutiska verktyg. Intresset för dem har ökat i takt med spridningen avantibiotikaresistens, eftersom de teoretiskt sett möjliggör selektiv målinriktning av vissa mikroorganismer. Problemet är att målet också utvecklas. Snabb tillgång till ett flertal genetiskt olika varianter skulle kunna möjliggöra konstruktionen av kombinationer som är svårare att neutralisera med en enda mutation eller försvarsmekanism.

Stanford pekar ut bakterier som är ansvariga för svårbehandlade infektioner bland möjliga framtida mål, inklusive Meticillinresistenta Staphylococcus aureus (MRSA) och Pseudomonas aeruginosa, utöver de mikroorganismer som är ansvariga för tuberkulos. Det aktuella arbetet visar inte att Evo 2 redan kan producera terapier mot dessa patogener: det definierar snarare en experimentell metod som kan verifieras på olika system.

Evo 2 förvandlar DNA till ett generativt designproblem

Den metodologiska nyheten gäller nivån på vilken algoritmen arbetar. De flesta AI-tillämpningar inom livsvetenskap har fokuserat på att förutsäga proteinstrukturer, identifiera molekyler, analysera mutationer eller designa enskilda biologiska komponenter. Här är designmålet istället hela virusgenomet.

Ett genom är inte en enkel samling av oberoende gener. Funktion, reglering, kompatibilitet mellan komponenter och replikationsförmåga beror på samband som är fördelade över hela sekvensen. För en forskare är det ett monumentalt kombinatoriskt problem att direkt tolka tusentals nukleotider och förutsäga effekten av deras kombinationer. Genommodeller försöker lära sig just dessa regelbundenheter genom att använda stora mängder naturliga sekvenser som träningsmaterial.

Evo 2 presenterades ursprungligen 2025 och arbete som beskriver dess arkitektur och funktioner har publicerats i Naturen den 4 mars 2026Modellen utvecklades genom ett samarbete mellan Arc Institute, Stanford University, University of California Berkeley, University of California San Francisco, NVIDIA och andra forskargrupper. Utbildning på DNA från bakterier, arkéer, fager, växter, djur och människor gör det möjligt att ta itu med väldigt olika problem utan att behöva bygga från grunden för varje problem.

Fagdesign erbjuder emellertid ett strängare test än beräkningsbaserad prediktion. Om en modell korrekt tilldelar en effekt till en mutation kan dess prestanda mätas genom att jämföra den med befintliga data. I fallet med en genom som aldrig existerat förut, måste den genererade sekvensen omvandlas till biologisk materia och utsättas för det mest konkreta urvalet som möjligt: ​​att fungera eller inte.

Även inom detta område framträder begränsningar. Oberoende studier publicerade 2026 har visat att genomiska språkmodeller kan reproducera vissa lokala egenskaper hos sekvenser väl utan att nödvändigtvis bevara alla komplexa egenskaper. långsiktig genomisk organisationDen förmåga som demonstrerats med en fag på cirka 5 400 baser kan därför inte automatiskt extrapoleras till mycket större genom, med mer komplexa arkitekturer och regleringssystem.

Öppen åtkomst sätter biosäkerhet och kontroll i förgrunden igen

Evo 2 distribueras som modell öppen källkod och kan användas kostnadsfritt av forskarsamhället. Öppenhet främjar reproducerbarhet, utveckling av nya verktyg och oberoende verifiering, men möjligheten att generera biologiska sekvenser introducerar också frågor om biosäkerhet och bioskydd som ökar tillsammans med modellernas kapacitet.

Hie medger att modifierade versioner av verktyget kan missbrukas, men menar att AI också skulle kunna ge nya försvar mot naturliga patogener och biologiska hot skapade av människan. Till skillnad från naturlig evolution, konstaterar forskaren, kan ett beräkningssystem också utformas med inbyggda kontroller och begränsningar.

Poängen kommer säkerligen att bli alltmer relevant i takt med att generationen går från korta utbrott till kompletta och funktionella genomStanford-experimentet är avsiktligt begränsat till ett relativt enkelt viralt system och testning av bakteriofager mot E.coliDen demonstrerade tekniska förmågan flyttar emellertid diskussionen från den teoretiska möjligheten att generera trovärdigt DNA till den konkreta hanteringen av syntetiserbara och biologiskt aktiva sekvenser.

Hie arbetar redan med andra forskare för att utvidga metoden till nya bakteriofager och längre och mer komplexa DNA-sekvenserForskningsmålen inkluderar små bakteriegenom och potentiellt även modifierade mikroorganismer som kan producera kemikalier, läkemedel eller bränslen. Dessa är möjligheter som ännu inte har demonstrerats experimentellt, inte lättillgängliga tillämpningar.

"De största öppna frågorna för mig är hur man uppnår större genetisk nyhet och hur man uppnår större kontrollerbarhet av resultaten,"

illustrerad av Brian Hie.

Det är utifrån dessa två problem som nästa steg nu mäts: inte bara generera sekvenser som fungerar, utan etablera hur långt de kan avvika från känd biologi utan att förlora funktionalitet och hur exakt det är möjligt att förutsäga deras beteende i förväg. För de sexton utvalda bakteriofagerna kom svaret från laboratoriet. För större genom och mer komplexa biologiska system återstår verifiering.

Evo 2 är Stanford Universitys generativa AI för DNA-studier

Här är tre insikter som kan intressera dig:

Effektivare genetiska reparationer med artificiell intelligens
Biologi, datavetenskap och teknik möts i Basel
GeneSys Bio och den nya frontlinjen inom molekylärdiagnostik