Stanford-led team uses genome language models to generate novel bacteriophages
A study published in Science on August 6, 2026, describes how researchers at Stanford University and others used genome language models, including Evo 1 and Evo 2, to design complete bacteriophage genomes. Some AI-designed genomes were experimentally validated to form infectious phages, demonstrating a path to biological design beyond natural evolution.
Coverage timeline
机器之心ScienceAI
编辑丨& 在人类与细菌的长期竞争中，抗生素曾经是最重要的武器。但随着耐药性不断出现，越来越多细菌正在降低传统抗菌药物的效果。寻找新的抗菌策略，成为生命科学领域的重要任务。 其中，噬菌体（bacteriophage）重新受到关注。自然界中存在数量庞大的噬菌体，它们的基因组包含复杂的调控关系和进化痕迹。传统方法通常需要从环境样本中筛选，再经过大量实验验证。那么，能不能让 AI 直接理解病毒基因组的规律，并设计出新的噬菌体？ 这正是这项 2026 年 8 月 6 日发表于《 Science 》的「 Generative design of bacteriophages with genome language models 」试图回答的问题。 来自斯坦福大学等的研究团队利用基因组语言模型（genome language model），让 AI 学习大量 DNA 序列中的隐藏规律，并进一步生成完整噬菌体基因组。最终，AI 设计出的部分基因组被实验验证能够形成具有感染能力的噬菌体。 论文链接： https://www.science.org/doi/10.1126/science.aec2657 DNA 成为 AI 理解的语言 近年来，大语言模型的发展展示了一种新的计算方式，AI 并不需要提前知道每句话的含义，而是通过学习海量文本中的排列规律，逐渐掌握语言结构。 基因组语言模型采用了类似思路。 对于 AI 而言，DNA 序列不再只是由 A、T、C、G 组成的字符串，而是一种包含进化信息的「生命语言」。基因的位置、排列方式、编码区域之间的关系，以及不同序列组合产生的功能，都隐藏在这种语言结构中。 研究团队使用的 Evo 1 和 Evo 2 正是面向基因组序列的大模型。它们此前已经在大规模基因组数据上进行预训练，能够学习不同生物序列中的统计规律和进化约束。 图 1：Evo 可生成真实的噬菌体基因组序列。 而为了测试 AI 设计的整套基因组是否能成功运作起来，研究团队选择了一个非常经典的研究对象：噬菌体 ΦX174。它是一种感染大肠杆菌的微小噬菌体，基因组长度约 5400 个碱基。由于它结构简单、研究历史悠久，是病毒基因组研究中的重要模型。 研究人员采用了一种更加科学的设计策略。具体来说，研究团队利用相关噬菌体序列对模型进行进一步训练，约 1.5 万条数据使模型更加适合生成
