AI utviklet 16 fungerende virusgenomer fra bunnen av

Fra hundretusener av forslag til 16 fungerende fag

Evo 2 er en såkalt genomisk grunnmodell. Den er trent på DNA-sekvenser fra blant annet bakterier, arkeer, planter, dyr og mennesker, og kan analysere biologiske sekvenser ned på enkeltbasenivå . Forskerne spesialtilpasset Evo 1 og Evo 2 med bakteriofaggenomer for å få frem komplette sekvenser med en realistisk genetisk oppbygning og ønsket målretting mot vertsbakterier .

Prosessen lignet på en omfattende design-, test- og utvelgelsesrunde:

• Modellene genererte omtrent 700 000 mulige virusgenomer .
• Datamaskinbaserte filtre reduserte utvalget til 302 kandidater .
• 285 av disse ble kjemisk syntetisert – altså fremstilt som fysisk DNA – og testet i E. coli .
• 16 av 285 sekvenser, rundt 5,6 prosent, produserte fungerende bakteriofager som kunne replikere .

Forskerne beskriver dette som den første målbare «produktive avkastningen» for generativ biologi på genomnivå .

Flere slo den naturlige virusmodellen

Alle de 16 fungerende fagene infiserte og lyserte, eller ødela, E. coli-celler i laboratoriet. Det viser at de kunne gjennomføre hele kjeden fra infeksjon og formering til celledød .

Utgangspunktet var ΦX174, en naturlig bakteriofag som infiserer E. coli. I direkte sammenligninger vokste flere av de AI-utviklede fagene raskere og lyserte bakteriene hurtigere enn den naturlige varianten . Enkelte av designene hadde mer enn 50 endringer i aminosyrene sammenlignet med viruset de var basert på – en forskjell som er langt større enn det man vanligvis ville forvente av tilfeldig mutasjon .

Ett av fagene kodet for et DNA-pakkingsprotein som ikke er kjent fra noen annen organisme på jorden. Det tyder på at modellen kan sette sammen biologiske løsninger som ikke bare kopierer kjente mønstre .

En blanding av de 16 fagene klarte dessuten å hemme flere E. coli-stammer, også varianter som hadde utviklet motstand mot enkeltfager .

Kan teknologien bidra mot antibiotikaresistens?

Bakteriofager har lenge vært undersøkt som et mulig supplement eller alternativ til antibiotika. Utfordringen er at bakterier raskt kan utvikle motstand mot én bestemt fag. En cocktail med flere fag kan angripe bakterien på ulike måter samtidig, noe som gjør det vanskeligere for resistens å få fotfeste .

AI kan i teorien gjøre det mulig å utvikle nye, målrettede fag raskere – for eksempel mot en bestemt sykdomsfremkallende bakterie. Studien viser at genommodeller faktisk kan produsere hele virusgenomer som fungerer eksperimentelt, og åpner dermed for raskere design-og-test-løp innen fremtidig fagbehandling .

Det betyr likevel ikke at slike behandlinger er klare for pasienter. Resultatene er oppnådd i laboratoriet mot bestemte E. coli-stammer, og det gjenstår omfattende testing av effekt, sikkerhet og hvordan behandlingene kan brukes i mennesker.

Et nytt biologisk sikkerhetsproblem

Fremskrittet har en tydelig dobbeltsidig karakter: Den samme teknologien som kan bidra til å bekjempe resistente bakterier, kan i prinsippet også misbrukes.

I en kommentar i Science skrev Thomas Inglesby og Moritz Hanke fra Johns Hopkins Center for Health Security at utviklingen reiser «akutte spørsmål om biosikkerhet og biologisk sikkerhet». De påpekte at muligheten til å komponere virusgenomer med generativ AI nå finnes, mens regelverket for å styre teknologien trygt ikke har kommet like langt .

En sentral sikkerhetsmekanisme er screening av DNA-bestillinger gjennom International Gene Synthesis Consortium. Systemet er frivillig, ikke et lovpålagt krav, og er først og fremst laget for å gjenkjenne sekvenser som ligner på kjente patogener. Det er derfor ikke nødvendigvis egnet til å fange opp et genom som aldri har eksistert i naturen .

Arc Institute tok forholdsregler ved å utelate eukaryote viruspatogener – virus som infiserer mennesker eller andre dyr – fra treningsdataene til Evo 2 . Eksperter advarer likevel om at AI-genererte sekvenser kan bli utviklet raskere enn dagens overvåkings- og kontrollsystemer klarer å oppdage dem .

En kommentar i Nature fremhevet på samme måte at verktøyene utvikles for nyttig legemiddel- og bioteknologisk forskning, men samtidig kan senke terskelen for å skape nye biologiske trusler .

Gjennombruddet handler derfor ikke bare om at AI har lært å skrive DNA. Det viser også at grensene for hva generative modeller kan utforme biologisk, flyttes raskt – og at sikkerhetsreglene må utvikles i samme tempo.