近年来，AI在生物学领域的应用大多聚焦于蛋白质设计。蛋白质是生命活动的核心执行者，负责催化化学反应并构建细胞结构，因此设计新型蛋白质可以直接干预生化过程，创造出具有潜在价值的新功能。
由于遗传密码在DNA与蛋白质之间提供了一层抽象，基于DNA训练的模型究竟能做什么，起初并不明朗。尽管如此，研究人员还是开发出了大型基因组模型，结果发现它能够输出可在细菌中编码功能性蛋白质的DNA序列，并模拟复杂细胞中的基因结构。如今，同样的模型已被用于生成感染细菌的病毒基因组。
这并非科幻——模型创造的所有病毒都与现有病毒高度相关。但它们确实具备一些通过自然进化难以形成的独特特征。来自斯坦福大学的研究团队指出，我们或许应当从现在开始思考如何应对一种潜在风险：有人可能开发出类似的AI，用于设计能够感染脊椎动物的病毒。
大型基因组模型的工作原理
大语言模型的核心训练目标，是预测大量人类生成文本中的下一个词语。大型基因组模型采用相同的方法，但应用对象是DNA。从某种程度上说，这简化了问题——DNA只使用A、T、C、G四种"字母"。但复杂之处在于，基因组中某些位置的碱基至关重要，而另一些位置则几乎可以是任意碱基。
因此，大型基因组模型需要在许多人类尚未完全理解的情境下，识别所输出序列的生物学背景。然而，只要输入足够多的基因组序列，模型似乎就能做到这一点。功能相关的细菌基因往往聚集在一起，用某个基因簇的部分序列作为提示，模型就能输出编码相关功能蛋白质的DNA序列，其中甚至可能包括与已知蛋白质截然不同的全新功能蛋白。
但人类知识的局限也制约着这些模型的应用边界。如果用复杂细胞的部分序列作为提示，模型会输出一串看似包含基因和调控DNA的碱基序列。然而，由于大多数基因在真核生物基因组中几乎可以位于任何位置，我们无从判断这些"幻觉"基因可能执行什么功能，也就无法对其进行有效验证。
尽管如此，研究人员在训练这两个模型（分别命名为Evo 1和Evo 2）时，出于预防考虑，刻意排除了所有感染复杂细胞的病毒序列。即便我们无法理解模型的输出，也不排除其中存在危险内容的可能。
噬菌体：安全的测试对象
感染细菌的病毒（即噬菌体）无法感染人类，Evo的开发者认为这类病毒是合适的研究对象。因此，他们决定测试Evo 1和Evo 2能否输出完整的病毒基因组，而不仅仅是合理的基因片段。
他们选择的测试对象是ΦX174——一种感染大肠杆菌的病毒，属于一个更大病毒家族的成员。选择它的原因之一是可以利用地球上研究最为深入的细菌进行实验。ΦX174结构相对简单：全基因组约5400个碱基，包含11个基因，每个基因的功能均已明确，感染周期也有详细记录。
此外，ΦX174还有一个便于与大型基因组模型配合使用的特点：其基因组末端始终具有相同的短序列。因此，以这段序列作为提示，模型应能识别出需要输出与ΦX174相关的序列。
为进一步优化模型，研究团队向Evo 1和Evo 2额外输入了超过200万个碱基的噬菌体DNA序列，并针对ΦX174所属的微病毒科进行了专项微调。经过反复实验，他们发现使用4至9个碱基的起始序列作为提示效果最佳——提示过长，模型会直接复制原始基因组；提示过短，则会生成大量无关序列。
筛选与验证
模型的输出结果可能千差万别，从几乎与原始病毒完全相同的序列，到仅具有模糊病毒特征的序列都有可能。为此，研究团队设置了一系列预筛选条件，在保留一定变异空间的同时，剔除过于极端的输出。
例如，ΦX174依靠自身的刺突蛋白附着并感染细菌，若编码刺突蛋白的基因缺失或损坏，病毒将无法正常运作。因此，研究团队剔除了刺突蛋白与原始序列相似度低于60%的输出结果，同时排除了长度过短（低于4000个碱基）或过长（超过6000个碱基）的序列、含有连续超过10个相同碱基的序列，以及GC和AT碱基配对比例异常的序列。
经过计算机筛选后，共有302条候选病毒序列进入实验阶段。研究团队成功化学合成了其中285条序列，并将其导入细菌进行测试。大多数情况下，细菌没有任何反应。但有16条序列成功抑制了大肠杆菌的生长，表明它们确实具有病毒活性。其中9条是AI直接输出的原始序列，另外7条在导入细菌后获得了额外突变。
AI设计病毒的独特之处
这些AI设计的病毒与原始ΦX174既有相似之处，也存在显著差异。
从相似性来看，285条输出序列中活性最强的病毒，往往与原始病毒高度相似。总体存活率仅为5.6%（285条中有16条），但在与原始ΦX174序列相似度达98%及以上的输出中，存活率跃升至46%。这说明，与正常ΦX174差异过大的序列，几乎不可能具有病毒活性。
大多数有活性的病毒保留了与原始病毒相同的基因组成，且在病毒基因组复制起始区域均未发生任何改变。这与此前的研究结论一致——即便只改变一个氨基酸，平均也有20%的概率导致病毒完全失活。ΦX174对变异极为敏感，因此AI建议的变异所产生的有活性病毒群体，整体上与原始病毒高度相似。
然而，从个体来看，这些病毒却颇具特色。其中一种病毒完全丢失了某个病毒蛋白，但通过基因组其他位置的变化加以补偿；另一种则新增了一个全新基因；许多病毒的基因长度与原始病毒不同；甚至有一种病毒用一个来自亲缘关系极远的病毒的基因，替换了ΦX174的原有基因。
研究人员还进行了一项有趣的分析：按照每个氨基酸变化有20%概率导致病毒失活来计算，变化少于25处的病毒存活概率仅为2.3%。在AI输出的约300条序列中，有5条落在这一范围内，其中3条具有活性。理论上，超过25处氨基酸变化的病毒几乎不可能存活，但AI建议的超过25处变化的病毒中，近四分之一具有活性，其中两条甚至有超过50处氨基酸改变。
这表明，AI所做的变异远比随机突变更有可能产生有活性的病毒。
潜在应用与风险警示
这项研究不仅具有学术价值，还展示了实际应用潜力。噬菌体疗法已被探索用于治疗耐抗生素细菌感染，但许多细菌菌株已对部分噬菌体家族产生耐药性，包括ΦX174。解决方案之一是使用噬菌体混合制剂，因为细菌难以同时对所有噬菌体产生耐药性。
研究团队将一组天然大肠杆菌噬菌体混合制剂与16种AI生成的有活性病毒混合制剂进行了对比测试。结果显示，天然噬菌体混合制剂未能奏效，而AI生成的病毒组合却迅速进化出感染耐药宿主的能力。研究人员推测，克服耐药性的过程涉及AI设计病毒之间的DNA片段交换，以及新突变的出现。
不过，这一应用前景是否具有重大价值尚不明朗——噬菌体疗法已被研究多年，但尽管耐药菌问题日益严峻，该疗法至今仍未得到广泛应用。
研究人员也明确指出，大型基因组模型存在潜在风险。尽管他们在训练数据中排除了感染脊椎动物的病毒，但任何拥有足够算力的人都可以将这类病毒纳入训练，重复这一过程。
论文最后呼吁加强对该领域及相关领域（如定制DNA序列订购）的监管治理。然而迄今为止，AI监管的步伐远远落后于这一领域的快速发展。
Q&A
Q1：大型基因组模型Evo 1和Evo 2是如何生成病毒基因组的？
A：Evo 1和Evo 2采用与大语言模型类似的训练方式，通过学习大量DNA序列来预测下一个碱基。研究人员额外向模型输入了超过200万个碱基的噬菌体序列，并针对ΦX174所属的微病毒科进行微调。使用4至9个碱基的ΦX174起始序列作为提示，模型即可输出完整的病毒基因组候选序列，再经过一系列计算机筛选条件过滤后，最终得到可供实验验证的候选序列。
Q2：AI设计的病毒和天然ΦX174有什么区别？
A：AI设计的病毒整体上与原始ΦX174高度相似，大多保留了相同的基因组成。但个体差异显著：有的病毒完全丢失了某个蛋白质却通过其他变化补偿，有的新增了全新基因，有的基因长度发生变化，甚至有病毒用来自亲缘关系极远的病毒的基因替换了原有基因。更值得关注的是，AI建议的变异比随机突变更有可能产生有活性的病毒，部分病毒在超过50处氨基酸改变的情况下仍具活性。
Q3：大型基因组模型用于病毒设计有哪些潜在风险？
A：最主要的风险在于，尽管Evo 1和Evo 2的训练数据中排除了感染脊椎动物的病毒，但任何拥有足够算力的人都可以将这类病毒纳入训练数据，重复这一过程，从而可能设计出能感染人类或其他脊椎动物的病毒。研究人员因此呼吁加强对大型基因组模型及定制DNA序列订购等相关领域的监管，但目前AI监管的进展远落后于技术发展速度。
