Science | 利用基因组语言模型进行噬菌体从头生成设计

基因组包含了生命系统运行所需的完整信息，其功能并非由单个基因独立决定，而是由多个编码区域、调控元件、基因排列方式以及分子互作共同形成的复杂系统。然而，与蛋白质设计和基因线路工程相比，直接设计完整基因组仍然是合成生物学领域长期未解决的挑战。基因组中的微小变化可能破坏复制、表达调控或宿主互作过程，使得从头构建具有完整功能的新基因组极为困难。

近年来，基因组语言模型的发展为解析和生成DNA序列提供了新的计算框架。这类模型通过在大规模基因组序列上进行预训练，学习自然进化过程中形成的序列规律和功能约束，从而具备生成具有生物学合理性的DNA序列的潜力。然而，此前研究主要集中于设计单个基因、蛋白质或有限规模遗传系统，基因组语言模型是否能够生成完整且具有功能的生命系统仍未被验证。

研究人员提出了一种基于基因组语言模型的噬菌体生成式设计方法，利用Evo 1和Evo 2模型生成完整噬菌体基因组，并结合计算筛选和实验验证评估其功能。研究人员选择模式噬菌体ΦX174作为设计模板，该噬菌体感染大肠杆菌C菌株，具有结构清晰、基因组较小且实验体系成熟等特点。通过针对Microviridae噬菌体基因组进行模型微调，并结合宿主特异性、基因组结构以及进化多样性约束，研究人员建立了完整的人工智能驱动噬菌体设计流程。

研究人员生成了数千个候选噬菌体基因组，并筛选其中近300个进行化学合成和实验测试，最终获得16个能够在实验条件下产生功能性噬菌体的人工设计基因组。这些生成的噬菌体具有明确的大肠杆菌宿主特异性，同时表现出不同的感染动力学和适应性特征。进一步分析发现，部分人工设计噬菌体包含自然界中未观察到的基因组合、调控元件变化以及结构创新，其中一个噬菌体甚至采用了来自远缘噬菌体的DNA包装蛋白。

此外，研究人员发现，由人工设计噬菌体组成的混合噬菌体体系能够快速克服ΦX174耐受大肠杆菌菌株，而来源于自然噬菌体的类似混合体系无法实现这一效果。该研究证明，基因组语言模型能够学习DNA序列中的进化约束，并在保持生物功能的同时探索自然进化未覆盖的基因组空间，为人工设计噬菌体治疗体系以及更复杂生命系统的基因组级设计提供了新的技术路径。

生命系统中的许多重要功能并不是由单个基因决定，而是来源于整个基因组尺度上的复杂协同作用。一个完整基因组需要同时协调编码序列、非编码调控区域、基因排列方向、启动子、终止信号以及不同遗传元件之间的相互作用。这种高度组织化结构使得基因组能够完成复制、表达调控、环境适应以及宿主互作等复杂生命过程。

随着DNA测序、合成和编辑技术的发展，研究人员已经能够读取和构建越来越复杂的遗传系统。然而，“读取基因组”和“设计基因组”之间仍存在巨大鸿沟。目前，人工设计主要集中在单个蛋白质、代谢通路或基因线路层面，而直接生成完整功能基因组仍然面临巨大挑战。

噬菌体为研究基因组生成设计提供了理想模型。噬菌体是感染细菌的病毒，具有结构简单、基因组较小、实验操作成熟等特点，同时具有重要应用价值，包括抗菌治疗、分子生物学工具开发以及微生物工程。尤其是ΦX174噬菌体，其基因组长度约5.4 kb，包含11个基因和多个调控元件，是第一个完成DNA测序和人工合成的完整基因组之一，因此成为研究完整基因组设计的重要模型。

近年来，大语言模型的发展推动了人工智能生成技术的发展。在自然语言处理中，语言模型通过学习大量文本数据，能够捕获语言结构和语义规律。类似地，基因组语言模型将DNA序列视为一种“生物语言”，通过学习数百万甚至数亿条基因组序列，捕获自然进化过程中形成的序列模式。

此前，研究人员已经利用基因组语言模型设计了CRISPR系统、转座元件以及毒素–抗毒素系统等较小规模生物功能模块。然而，这些系统通常只包含少量遗传组件，而完整基因组设计需要模型同时理解多个基因之间的长期依赖关系、空间组织方式以及宿主互作机制。

因此，一个关键科学问题是：基因组语言模型是否能够超越简单序列生成，真正设计具有完整功能的新生命系统？

研究人员以噬菌体作为测试对象，提出了一套结合生成模型、计算约束和实验验证的完整基因组设计框架，探索人工智能是否能够进入过去主要依赖自然进化探索的基因组设计空间。

研究人员构建了一套人工智能驱动的噬菌体基因组设计流程。首先利用大规模DNA序列预训练的基因组语言模型Evo 1和Evo 2作为基础模型，并进一步利用约15,000条Microviridae噬菌体基因组进行监督微调，提高模型生成ΦX174样噬菌体基因组的能力。在生成过程中，研究人员通过短序列提示控制模型输出方向，并结合目标宿主信息、基因组长度、GC含量、编码密度、蛋白功能预测、宿主嗜性以及进化多样性等多层约束，对生成序列进行筛选。候选基因组随后经过计算评估、DNA合成、体外组装以及宿主感染实验验证。研究人员通过大规模生长抑制实验检测噬菌体活性，并结合长读长测序、结构预测和进化分析，系统评估人工设计噬菌体的遗传特征、结构特点和功能表现。

研究人员首先评估了基因组语言模型在没有实验约束条件下生成噬菌体序列的能力。Evo 1和Evo 2模型此前已经在包含数百万条基因组序列的数据集上完成预训练，其中包括超过200万个噬菌体基因组，因此理论上能够学习病毒基因组中的序列规律和进化约束。

为了测试模型是否能够产生类似天然噬菌体的DNA序列，研究人员利用不同病毒分类群标签对模型进行提示，引导其生成来自不同病毒领域的基因组片段。随后，研究人员通过病毒分类工具对生成序列进行鉴定，并与天然噬菌体序列、随机打乱序列进行比较。

结果显示，Evo模型生成的序列具有明显的病毒基因组特征。相比随机打乱的天然序列，人工生成序列更容易被识别为病毒序列，并且具有更高的病毒分类评分。其中，Evo 2表现出更强的基础生成能力，能够产生更多符合病毒结构特征的DNA序列。

进一步分析表明，人工生成序列虽然与已知天然噬菌体基因组存在明显差异，但仍保持了典型噬菌体基因组结构，包括较高的编码密度、合理的基因排列以及符合病毒生命周期的功能区域分布。通过核酸数据库比对发现，许多生成序列无法在现有天然噬菌体数据库中找到高度匹配结果，说明模型并非简单复制已有基因组，而是在学习进化规律基础上探索新的序列空间。

研究人员进一步预测生成序列编码蛋白质的三维结构，发现这些蛋白具有与天然蛋白相似的结构可信度。与数据库中的噬菌体蛋白比较，人工生成蛋白通常具有较低的序列一致性，但功能注释分布与天然噬菌体高度相似，包括头部组装、DNA包装、复制、裂解以及调控相关蛋白。

这些结果证明，基因组语言模型能够从大量自然基因组数据中学习隐藏的进化规律，并生成具有整体生物学合理性的噬菌体基因组，而不仅仅是局部DNA片段。

图1｜基因组语言模型生成具有生物学合理性的噬菌体基因组。

在证明模型能够生成类似噬菌体序列后，研究人员进一步探索如何利用生成模型设计具有明确功能特征的完整噬菌体。核心目标是生成能够感染指定细菌宿主，同时具有足够进化差异的新型噬菌体。

研究人员选择ΦX174作为设计模板，并以大肠杆菌C菌株作为目标宿主。ΦX174属于Microviridae噬菌体家族，具有约5.4 kb单链DNA基因组，包含11个基因以及多个调控元件。由于其基因组较小、遗传结构清晰且实验体系成熟，因此非常适合作为完整基因组生成设计的测试模型。

为了提高模型生成ΦX174样噬菌体的能力，研究人员首先利用约15,000条Microviridae噬菌体基因组对Evo模型进行微调，使模型更加准确地理解该类噬菌体的进化规律。随后，研究人员利用ΦX174基因组起始区域作为提示信息，引导模型生成完整噬菌体基因组。

实验结果显示，经过微调后的模型能够根据较短的DNA序列提示生成大量具有ΦX174样特征的完整基因组，而未微调的基础模型无法稳定恢复ΦX174相关基因组结构。这说明针对特定病毒家族进行适应性训练，可以显著提高模型进行目标化基因组设计的能力。

为了避免生成结果仅仅复制天然ΦX174，研究人员建立了一套多层次筛选体系。首先，通过基本质量控制过滤异常序列，包括非DNA字符、异常基因组长度、不合理GC含量以及过长同聚核苷酸区域。随后，研究人员进一步加入宿主嗜性约束，要求生成噬菌体编码的主要刺突蛋白与ΦX174保持一定程度相似，以保证其能够识别目标宿主。

同时，为促进人工设计噬菌体产生新的进化特征，研究人员加入多样性筛选标准，包括降低与天然蛋白的整体相似性、改变基因排列方式以及允许部分基因获得、丢失或重组。通过这些约束，模型生成的噬菌体既保持必要功能，又避免简单复制已有天然基因组。

最终，研究人员从大量生成序列中筛选出具有较高质量、宿主特异性和进化差异性的候选基因组。分析显示，这些人工设计噬菌体在保持ΦX174核心遗传结构的同时，引入了大量自然界未观察到的序列变化。

图2｜基于基因组语言模型的目标宿主噬菌体设计流程。

计算预测能够产生符合要求的候选序列，但这些序列是否真正能够形成具有感染能力的病毒，需要通过实验验证。研究人员进一步从计算筛选结果中选择302个具有代表性的人工设计噬菌体基因组进行实验测试。

这些候选基因组长度均位于Microviridae天然范围内，并表现出较高质量的病毒序列特征。虽然部分基因与ΦX174存在较大差异，但整体基因组织结构仍保持合理。例如，大多数候选基因组仍保留与ΦX174相似的关键功能模块，同时允许部分基因出现新增、缺失或位置变化。

研究人员首先建立高通量噬菌体重建实验流程，将人工设计DNA片段进行合成、组装，并转入目标宿主大肠杆菌C中。经过筛选，302个候选基因组中有285个成功完成合成和组装。

随后，通过细菌生长抑制实验检测噬菌体功能。结果发现，其中16个人工设计基因组能够成功抑制大肠杆菌C生长，证明其能够形成具有感染能力的完整噬菌体。这些人工生成噬菌体被命名为Evo-Φ系列。

进一步实验显示，不同Evo-Φ噬菌体具有不同的感染动力学特征。一些噬菌体表现出接近天然ΦX174的快速裂解能力，而另一些则表现出不同程度的复制速度和宿主影响模式。

为了验证模型设计的宿主特异性，研究人员进一步测试这些噬菌体对多个大肠杆菌菌株的感染能力。结果显示，人工设计噬菌体主要保持对目标宿主大肠杆菌C的特异性，仅部分菌株表现出有限感染能力，而在其他测试菌株中未观察到明显生长抑制。

这一结果证明，通过基因组语言模型结合宿主约束和计算筛选，可以从零开始设计具有实际生物功能的噬菌体。

图3｜人工设计噬菌体基因组的实验验证。

在获得具有感染能力的人工设计噬菌体后，研究人员进一步分析这些噬菌体与天然进化产生的噬菌体之间的差异，以评估基因组语言模型是否真正探索了自然界未覆盖的进化空间。

研究人员首先比较了16个Evo-Φ人工噬菌体与其最接近天然噬菌体之间的遗传差异。结果显示，这些人工设计噬菌体包含大量同义突变、非同义突变以及非编码区域变化。不同人工噬菌体之间存在明显的序列多样性，其整体基因组长度也表现出比天然ΦX174变体更加宽泛的分布。

这些变化并非随机破坏，而是在保持噬菌体功能的同时产生新的遗传结构。例如，部分人工噬菌体出现新的基因插入事件，部分噬菌体丢失原有基因，部分基因发生延长或截短。此外，一些非编码调控区域也发生明显变化，说明模型不仅改变蛋白编码区域，还能够探索基因调控层面的创新。

进一步分析发现，不同基因区域对于生成设计表现出不同程度的进化容忍性。例如，启动子区域、部分结构蛋白相关基因以及终止调控区域具有较高突变频率，而复制起始区域在所有人工设计噬菌体中均保持高度保守。这说明基因组语言模型能够隐式学习不同遗传区域的重要程度，并在保持关键生命功能的同时探索可变区域。

研究人员进一步利用系统发育分析比较人工设计噬菌体与天然噬菌体、实验室长期进化噬菌体以及环境分离噬菌体之间的关系。结果显示，人工设计噬菌体仍然位于ΦX174样Microviridae进化分支中，说明模板引导设计成功保留了必要的进化背景。然而，与天然变体相比，人工设计噬菌体具有更加丰富的序列变化和更广泛的基因组多样性。

值得注意的是，部分人工设计噬菌体表现出自然进化中罕见的结构创新。其中一个Evo-Φ噬菌体利用了来自远缘大肠杆菌噬菌体G4的DNA包装相关蛋白，并将其整合到自身衣壳结构中。冷冻电镜结构分析进一步验证，该人工设计噬菌体能够形成稳定病毒颗粒，证明基因组语言模型不仅能够生成序列变化，还能够产生具有结构可行性的全新病毒设计。

这一发现说明，人工智能生成模型可以探索自然进化尚未充分搜索的遗传空间，并产生具有潜在功能的新型生命系统。

图4｜人工设计噬菌体展现新的进化路径和结构创新。

噬菌体治疗面临的重要挑战之一是细菌能够快速产生噬菌体耐受性。虽然天然噬菌体具有抗菌能力，但单一噬菌体治疗往往容易受到细菌受体改变、防御系统激活以及群体进化等因素影响。因此，设计具有更高适应能力和多样性的人工噬菌体，是发展下一代噬菌体疗法的重要方向。

研究人员进一步测试人工设计噬菌体是否能够突破ΦX174耐受大肠杆菌产生的感染阻碍。研究人员首先利用天然ΦX174感染大肠杆菌，使细菌产生针对该噬菌体的耐受状态。随后，将多个Evo-Φ人工设计噬菌体组成混合噬菌体体系，并比较其与天然ΦX174类似噬菌体混合体系的抗耐受能力。

实验结果显示，人工设计噬菌体混合体系能够快速恢复对耐受大肠杆菌的感染能力，并有效抑制细菌生长。而由天然ΦX174样噬菌体组成的混合体系则无法实现类似效果。

这一结果表明，人工设计噬菌体由于具有不同的遗传背景和感染特征，能够提供更加多样化的攻击方式，从而降低细菌通过单一机制逃逸感染的可能性。

进一步分析发现，人工设计噬菌体之间存在明显的感染动力学差异。有些噬菌体具有快速裂解能力，而另一些则表现出不同的复制速度和宿主互作模式。这种功能多样性使人工设计噬菌体组合可能比单一天然噬菌体更具进化稳定性。

研究人员认为，生成式基因组设计能够扩展传统噬菌体发现方式。过去，噬菌体主要依赖自然环境采样和筛选获得，而人工智能模型能够直接探索理论上的基因组空间，生成自然界中尚不存在的新型候选噬菌体。

图5｜人工设计噬菌体增强抗耐药能力。

该研究证明，基因组语言模型已经具备从大规模进化数据中学习复杂遗传规律，并生成完整功能基因组的能力。相比传统基因工程方法主要围绕已有生物系统进行修改，生成式基因组设计提供了一种探索未知生命空间的新方式。

研究人员指出，完整基因组设计之所以困难，是因为生命系统中的功能并非简单基因叠加，而是多个遗传元件长期共同进化形成的复杂结果。一个有效基因组需要同时满足复制、表达、结构组装、宿主识别以及环境适应等多个条件。因此，成功生成完整噬菌体基因组意味着人工智能模型已经能够捕获部分隐藏在自然进化中的高阶约束。

该研究的重要贡献在于建立了一个完整闭环体系：从基因组语言模型生成候选序列，到计算约束筛选，再到DNA合成和实验验证，最终形成可工作的人工生命系统。这种模式将人工智能、合成生物学和实验病毒学结合，使基因组设计从过去依赖经验和随机筛选的方法，转变为可计算、可控制和可优化的工程流程。

然而，该方法仍存在限制。首先，目前设计对象主要集中于小型噬菌体，基因组规模仅为数千碱基，未来更复杂的病毒和细菌基因组设计仍需要解决更高维度的调控关系。其次，模型生成能力依赖于训练数据，天然基因组数据中的偏倚可能影响模型探索范围。最后，人工设计生命系统仍需要严格的生物安全评估，以确保生成技术能够被安全用于科研和治疗。

未来，随着更大规模基因组数据、更强大的生成模型以及更加自动化的实验平台的发展，生成式基因组设计可能进一步扩展到复杂噬菌体、微生物工程系统甚至更大的遗传网络。

总体而言，该研究首次展示了利用基因组语言模型进行完整噬菌体基因组生成设计，并通过实验获得具有功能的人工噬菌体。研究证明，人工智能不仅可以预测生命系统，还能够参与生命系统的创造，为未来合成生物学和精准抗菌治疗提供了新的技术基础。

图6｜生成式基因组设计推动人工智能驱动的合成生物学发展。

基因组语言模型的发展正在改变研究人员理解和设计生命系统的方式。过去，基因组被认为是自然进化长期积累形成的复杂编码体系，人类只能通过读取、修改已有序列进行工程化改造。而该研究表明，通过学习大量自然基因组数据，人工智能模型能够近似捕获进化过程中形成的序列约束，并生成自然界尚未出现但具有生物功能的基因组。

噬菌体作为第一个成功案例，展示了生成式人工智能在生命系统设计中的巨大潜力。人工设计噬菌体不仅具有感染能力，还表现出新的遗传结构和功能特征，说明生成模型能够探索传统实验进化难以覆盖的空间。

该研究也提出了未来生命工程的新范式：自然进化提供训练数据，人工智能模型提供搜索能力，合成生物学实验提供验证和反馈。三者结合可能使研究人员能够设计更加复杂、更具适应性的生物系统。

未来，随着模型规模扩大和实验自动化水平提高，基因组语言模型可能成为设计微生物治疗工具、合成细胞系统以及新型生物材料的重要基础平台。

Samuel H. King et al. ,Generative design of bacteriophages with genome language models.Science393,eaec2657(2026).

DOI:10.1126/science.aec2657