AI zaprojektowała 16 groźnych wirusów. Badanie w „Science”

Modele językowe genomu Evo 1 i Evo 2 pomogły zaprojektować kompletne genomy bakteriofagów, a 16 z nich po syntezie i testach okazało się zdolnych do namnażania oraz zabijania bakterii Escherichia coli. Wynik, opublikowany 6 sierpnia 2026 roku w recenzowanym czasopiśmie „Science”, jest ważnym krokiem od generowania pojedynczych białek do projektowania całych systemów genetycznych. Nie oznacza jednak, że AI samodzielnie stworzyła groźnego wirusa „od zera”.

Badacze ze Stanford University i Arc Institute zaczęli od dobrze poznanego, bezpiecznego dla ludzi bakteriofaga ΦX174. Dostroili modele na tysiącach spokrewnionych sekwencji, wygenerowali projekty, poddali je wieloetapowej selekcji, a następnie zsyntetyzowali i sprawdzili w laboratorium. Z 302 wybranych kandydatów udało się złożyć i przetestować 285; funkcjonalnych było 16. To przełomowy dowód możliwości, ale też wynik pokazujący, jak wiele projektów nadal nie działa.

Najważniejsze fakty

Co dokładnie opublikowano w „Science”

Recenzowana publikacja w „Science” nosi tytuł „Generative design of bacteriophages with genome language models”. Jej pierwszym autorem jest Samuel H. King, a ostatnim Brian L. Hie. Artykuł rozwija wyniki ogłoszone jako preprint we wrześniu 2025 roku i poddaje je formalnej recenzji naukowej.

Wcześniej opisywaliśmy na AIOAI.pl pierwszą wersję tych badań. Nowością z sierpnia 2026 roku nie jest więc samo pojawienie się 16 fagów, lecz publikacja zweryfikowanej wersji w „Science” oraz towarzysząca jej poważniejsza dyskusja o bezpieczeństwie biologicznym.

Wynik jest istotny, ponieważ działanie genomu zależy od współpracy wielu elementów: genów kodujących białka, sekwencji regulacyjnych, miejsc rozpoznawanych przez komórkę gospodarza i fragmentów odpowiedzialnych za pakowanie DNA. Model nie może po prostu wygenerować kilku poprawnie wyglądających genów. Musi zachować relacje między nimi w całej sekwencji.

Podastawy tworzenia wirusa

Najkrótszy medialny opis brzmi efektownie: AI napisała kod wirusa od pierwszej do ostatniej litery. Technicznie każda końcowa sekwencja rzeczywiście została wygenerowana jako kompletny genom. Nie była jednak projektem powstałym bez biologicznego punktu odniesienia.

Wzorem był ΦX174, historycznie ważny bakteriofag o kolistym genomie liczącym 5386 nukleotydów i 11 genów. Był to pierwszy w pełni zsekwencjonowany genom DNA, a później także jeden z pierwszych genomów złożonych chemicznie. Badacze wybrali go ze względu na mały rozmiar, dobrze poznaną biologię i brak zdolności infekowania człowieka.

Modele Evo 1 i Evo 2 zostały następnie dostrojone na 14 466 sekwencjach należących do rodziny Microviridae. Projekty musiały przejść filtry jakości, zachować odpowiednią organizację genów oraz wystarczające podobieństwo białka odpowiedzialnego za rozpoznawanie gospodarza. To ostatnie ograniczenie miało utrzymać tropizm do laboratoryjnych szczepów E. coli.

Rola człowieka nie kończyła się na wpisaniu polecenia. Naukowcy opracowali sposób anotowania nakładających się genów, selekcjonowali kandydatów, zamówili syntezę DNA, składali genomy i przeprowadzali testy biologiczne. AI była generatorem projektów w rozbudowanym procesie badawczym, a nie autonomicznym konstruktorem życia.

Co potrafiły działające bakteriofagi

Szesnaście projektów utworzyło funkcjonalne cząstki wirusowe, które namnażały się w komórkach gospodarza i powodowały lizę, czyli rozpad bakterii. Wszystkie zachowały ograniczony zakres gospodarzy: działały na E. coli C i spokrewniony szczep W, ale nie rosły na sześciu innych testowanych szczepach. W granicach tego eksperymentu udało się więc zachować zaplanowaną specyficzność.

Nie były to wyłącznie kopie znanego faga. Według danych opisanych przez Arc Institute każdy funkcjonalny genom zawierał od 67 do 392 mutacji względem najbliższego naturalnego odpowiednika. Evo-Φ2147 miał 93,0% średniej identyczności nukleotydowej z najbliższym krewnym, co według części progów taksonomicznych wystarczałoby do uznania go za odrębny gatunek.

Szczególnie ciekawy był Evo-Φ36. W jego kapsydzie działało krótsze białko J pochodzące od odlegle spokrewnionego faga G4. Wcześniejsze próby racjonalnego przeniesienia tego elementu kończyły się niepowodzeniem. Obrazowanie kriomikroskopią elektronową pokazało, że białko przyjęło inną orientację w strukturze kapsydu. To sugeruje, że model uchwycił część zależności między mutacjami, których nie da się łatwo projektować gen po genie.

Kilka fagów wypadało w laboratorium lepiej niż naturalny ΦX174 pod względem konkurencyjnej sprawności wzrostu lub szybkości lizy. Nie należy jednak tłumaczyć tego jako „AI stworzyła lepszego wirusa” w sensie ogólnym. Pomiar dotyczył konkretnych szczepów, pożywek i warunków laboratoryjnych, a nie skuteczności lub bezpieczeństwa terapii u ludzi.

Czy to może pomóc w walce z antybiotykoopornością

Bakteriofagi infekują bakterie, dlatego od lat bada się je jako możliwe uzupełnienie antybiotyków. Projektowanie większej liczby zróżnicowanych fagów mogłoby skrócić poszukiwanie cząstek pasujących do konkretnego szczepu chorobotwórczego. To inna droga niż wykorzystanie AI do projektowania nowych antybiotyków, ale cel jest podobny: znaleźć nowe sposoby atakowania bakterii opornych na obecne leczenie.

W eksperymencie trzy szczepy E. coli uodpornione na ΦX174 nadal ulegały koktajlowi 16 fagów zaprojektowanych z pomocą AI. Efekt pojawiał się po jednym do pięciu pasaży. Ważny szczegół: dominujące później fagi były mozaikami powstałymi przez rekombinację fragmentów dwóch lub trzech projektów oraz dodatkowe mutacje. Zadziałała więc nie tylko pojedyncza sekwencja wygenerowana przez model, ale różnorodna populacja poddana dalszej ewolucji.

To interesujący kierunek badawczy, nie gotowy lek. Przed zastosowaniem klinicznym trzeba byłoby sprawdzić m.in. bezpieczeństwo, stabilność, odpowiedź immunologiczną, zakres gospodarzy i zachowanie w organizmie. Podobnie jak w innych projektach, w których AI przyspiesza odkrywanie leków, model może zwęzić przestrzeń poszukiwań, ale nie zastępuje badań laboratoryjnych i klinicznych.

Jak duże jest ryzyko biologiczne

Badanie dotyczyło małego bakteriofaga, który nie infekuje ludzi, zwierząt ani roślin. Zespół wykluczył wirusy eukariotyczne z danych treningowych Evo 2 i prowadził prace na niepatogennych szczepach w kontrolowanym laboratorium. Te zabezpieczenia znacząco ograniczały ryzyko konkretnego eksperymentu.

Nie znaczy to, że pytanie o nadużycia jest wydumane. W komentarzu towarzyszącym publikacji Thomas V. Inglesby i Moritz S. Hanke z Johns Hopkins Center for Health Security piszą, że generowanie funkcjonalnych genomów wirusowych rodzi pilne problemy biosafety i biosecurity. Ich zdaniem rozwój zasad nadzoru nie nadąża za możliwością komputerowego projektowania sekwencji, które można następnie zamienić w materiał biologiczny.

Jednocześnie najnowsza niezależna ocena nie wspiera katastroficznego wniosku, że obecne modele potrafią już projektować dowolne nowe patogeny. Preprint analizujący projekty Evo ocenia ryzyko tworzenia jakościowo nowych zagrożeń jako niskie do umiarkowanego. Autorzy wskazują, że skuteczność wynikała przede wszystkim z pozostawania blisko znanych sekwencji oraz z intensywnego filtrowania. To wciąż praca przed recenzją, ale dostarcza potrzebnej przeciwwagi dla skrajnych interpretacji.

Najuczciwszy wniosek brzmi więc: bariera projektowania całych małych genomów rzeczywiście spadła, lecz bariera stworzenia niebezpiecznego, złożonego i skutecznego patogenu pozostaje znacznie wyższa. Wyniku dla ΦX174 nie można automatycznie przenieść na większe bakteriofagi, wirusy eukariotyczne ani organizmy komórkowe.

Od bitów do biologii, ale nadal z człowiekiem w pętli

Publikacja w „Science” jest przełomem metodologicznym: model generatywny zaproponował kompletne genomy, część z nich została fizycznie zbudowana, a 16 działało. To wyraźne przejście od AI analizującej istniejącą biologię do AI uczestniczącej w projektowaniu nowych układów biologicznych.

Nie jest to jednak moment, w którym chatbot sam tworzy życie. Genom ΦX174 jest mniej więcej stukrotnie krótszy od najmniejszych genomów komórek, wirusy nie prowadzą samodzielnego metabolizmu i namnażają się tylko w gospodarzu, a skuteczność procesu wyniosła kilka procent. Najważniejszym osiągnięciem nie jest autonomia AI, lecz połączenie modelu, biologicznej wiedzy, rygorystycznej selekcji i eksperymentu.

Modele genomowe zaczynają działać jak narzędzia projektowe dla biologii syntetycznej. Ich medyczny potencjał jest realny, ale równie realna staje się potrzeba kontroli dostępu, przesiewania zamówień syntezy DNA, oceny projektów podwójnego zastosowania i udziału specjalistów ds. bezpieczeństwa od początku badań.

Stan danych: 8 sierpnia 2026 r.