夜雨聆风凌晨三点，培养皿上出现了透明的斑点。
Samuel King 盯着那些斑，在微生物学里，这叫噬菌斑，意味着细菌正在被某种东西从内部炸开。但这次不一样杀死这些细菌的病毒，地球上从未存在过。它们的基因组，是一个AI从头写出来的。
实验室里爆发了自发的掌声
2026年8月6日，这项工作正式登上Science（DOI: 10.1126/science.aec2657）。论文题为《用基因组语言模型生成式设计噬菌体》，记录了一个此前未有的结果：人类第一次用AI设计出了完整的、可自我复制的病毒基因组，而且它们真的能工作。
▲ 通讯作者Brian Hie发帖："欢迎来到生成式基因组设计时代。"
从"读懂"到"写出"：半个世纪的跨越
要理解这件事有多大，得先拉一条时间线。
1977年，Frederick Sanger完成了人类历史上第一次基因组测序，对象恰好就是本次实验的模板噬菌体ΦX174。那是"读"的起点2003年前后，Craig Venter团队证明可以化学合成并"启动"已知基因组，这是"抄写"。2012年，Drew Endy等人对ΦX174做理性改造，这是"编辑"。
而现在，King和Hie的团队做的事情叫"创作"。
他们用的工具是Arc Institute开发的基因组语言模型Evo 1和Evo 2。工作原理可以这样理解：ChatGPT预测下一个词，Evo预测下一个碱基。数百万条自然基因组让它从ATCG的排列中提炼出生命运转的底层语法：哪些基因要重叠、调控信号怎么放、蛋白之间如何配合才能让整台机器转起来。
然后，他们让AI"自由写作"
302选16：一场残酷的"病毒选秀"
团队选择ΦX174作为设计模板，有精妙的考量。这个噬菌体的基因组只有约5000个碱基，短到合成成本可控；但它的11个基因大量物理重叠，同一段DNA要同时编码两个蛋白，改一个字母可能两个都崩。这是最严苛的考场：目标是让整台机器协调运转。
他们先在约1.4万条相关病毒序列上微调模型，再用ΦX174的短序列做"开头提示"，太长模型会"背课文"，太短又会跑偏到完全不相干的病毒。在"像ΦX174"和"足够新颖"之间找平衡，本身就是一门艺术。
AI生成了大约302个候选基因组。285个成功化学合成最后，团队把这些从未存在过的DNA序列注入大肠杆菌，看它们能不能"开机"。
16个活了
▲ 一作Samuel King展示实验关键发现：AI生成的噬菌体携带大量自然界从未出现过的突变，cryo-EM揭示了全新的包装机制。
这16个可工作的噬菌体，相对最近的自然序列携带了67到392个全新突变，核苷酸一致性低至约93%。其中最"离经叛道"的Evo-Φ2147，按某些噬菌体分类标准，已经接近"新物种"的门槛。
285进16，约5.6%的得率，听起来不高？但换个角度想：AI写了285首"基因组交响曲"，16首能被生命的乐团完整演奏出来。考虑到重叠基因带来的极端脆弱性，这个数字让NYU Langone的合成生物学家Jef Boeke直呼"出人意料地好"。
活了以后，杀菌也更"凶"了
接下来，团队开始做适应度测试
在多噬菌体共感染的竞争实验中，Evo-Φ69等AI设计的噬菌体显著跑赢了野生型ΦX174，累计丰度优势可达数十倍量级。有的在裂解动力学上更快、更深地压低细菌密度。
随后是抗性突破实验团队准备了三株已对ΦX174产生抗性的大肠杆菌，这些细菌修改了自己的表面结构，让野生噬菌体"认不出门"。单独使用ΦX174，连续五轮传代，颗粒无收。
但由AI设计的噬菌体组成的"鸡尾酒"，在1到5代之内就重新压制了所有三株抗性菌。
▲ King总结抗性实验：AI生成的噬菌体鸡尾酒迅速克服了天然噬菌体束手无策的细菌抗性。
测序揭示了其中的秘密：突破抗性的优势噬菌体基因组，是由多个AI设计片段重组拼合而成，突变集中在衣壳和棘突的外表面，恰好是识别宿主的关键界面。AI不仅生成了多样性，还在鸡尾酒的进化压力下，让这些多样性精准地组合到了细菌防线的突破口上。
生成式设计一次造出了一整套不同的钥匙，为突破细菌防线留下更多选择。
"令人印象深刻的第一步"，还是潘多拉魔盒？
冷冻电镜给这个故事加上了一个漂亮的注脚。团队把Evo-Φ36解析到了约2.9埃的分辨率，发现它的包装蛋白J竟然来自另一种远缘噬菌体G4的短版变体。过去，人类工程师直接互换这个蛋白，往往导致病毒直接死亡。但AI生成的全基因组语境中，周围的蛋白发生了协调性的补偿突变，让这个"混搭组合"成功运转。
这个结果显示，AI学到了人类尚未完全理解的蛋白间协作规则。
▲ Arc Institute官方博文详述技术路径：从设计单个蛋白到设计完整基因组，是从"零件"到"系统"的跨越。
Craig Venter的评价很务实：这像是加速版的试错，而速度正是AI改变生物学的关键。Boeke则指出，AI输出里出现了新基因、截短基因、甚至基因次序重排，这些是人类设计者不太敢尝试的激进操作。
但硬币的另一面来得同样迅速Science同期配发了约翰霍普金斯健康安全中心的视角文章，用了一个词："紧迫"（urgent）。BBC转述评论认为，相关发现带来紧迫的安全与安保关切。Venter本人也说：如果有人对天花、炭疽做类似的"增强"，他会严重担忧。
▲ 社交媒体上的经典反问："What could possibly go wrong?"
别慌，但也别掉以轻心
几条限制必须摆在台面上
第一，这里的"病毒"是噬菌体，只感染细菌，不感染人类细胞。实验宿主是非致病的实验室大肠杆菌C株。模型训练时刻意排除了所有真核生物病毒（包括人类病毒）基因组。
第二，Arc团队在生物安全上做了可见的努力：专用生物安全柜、设备不出遏制区、棘突蛋白过滤以约束宿主范围。他们把实验对象选在了低风险象限，这本身是一种示范。
第三，从培养皿到临床，中间隔着一片海。从实验室E. coli C到医院里的碳青霉烯耐药肠杆菌，中间是受体差异、血清学、药代动力学和监管审批的重重关卡。目前仍是实验室概念验证，尚未成为获批疗法。
但有一个问题确实值得认真对待：Evo模型的权重和代码是开源的。当合成生物服务日益普及，从数字序列到试管的距离在不断缩短。如果有人把同样的管线对准更高风险的模板，现有的自愿规范和机构审查是否足够？这个开放问题尚无定论，也并非科幻想象。
▲ 2026年8月的帖子引发新一轮公众讨论，评论区有人质疑"对人无风险"的说法，人体共生菌也是细菌。
新时代的起跑线
这个故事最深层的意义，也许要跳出噬菌体本身才看得清。
2024年诺贝尔化学奖刚刚表彰了蛋白质设计的突破。但蛋白质是相对自洽的分子对象；基因组是多基因、调控、包装与宿主互作的复杂系统。从"设计一个零件"到"设计一台能开机的机器"，King和Hie的工作踏出了关键一步。
Niko McCarty在Asimov Press的长文里算了一笔账：ΦX174级别的千碱基基因组，可以批量试错；但细菌基因组动辄百万碱基，"生成300个再全合成"在经济上根本不可行。所以，当前里程碑证明了生成模型确实学到了可迁移的基因组语法，距离"量产任意物种"仍然很远。
从Sanger读出第一条基因组，到AI写出第一批可工作的基因组，人类用了将近半个世纪。下一个半个世纪会发生什么？
Brian Hie在推文末尾写道，读起来既像承诺，也像祈愿：
"我们的使命是让生成式生物学造福人类。"
这句话的分量，大概要用未来很多年的选择来称量。