AI zaprojektowała od zera 16 działających genomów wirusów. Nie występują w naturze

W badaniu opublikowanym 6 sierpnia 2026 roku w czasopiśmie Science 16 zaprojektowanych sekwencji zadziałało w laboratorium: powstały z nich bakteriofagi, które replikowały się, zakażały Escherichia coli i ją niszczyły . Mieszanka tych fagów ograniczała także wzrost szczepów bakterii opornych na działanie pojedynczych wirusów .

To ważny krok w biologii generatywnej, ale nie oznacza jeszcze gotowego leku. Eksperyment przeprowadzono na laboratoryjnych szczepach E. coli, a ewentualne zastosowania terapeutyczne wymagałyby kolejnych badań.

Jak działały Evo 1 i Evo 2?

Evo 2 to model bazowy dla genomiki, uczony na sekwencjach DNA pochodzących z bakterii, archeonów, roślin, zwierząt i ludzi. Analizuje materiał genetyczny z dokładnością do pojedynczego nukleotydu, czyli podstawowej jednostki budującej DNA .

Badacze dostroili Evo 1 i Evo 2 na genomach bakteriofagów, aby modele generowały całe sekwencje o wiarygodnej organizacji genetycznej i pożądanej specyficzności wobec gospodarza — w tym przypadku bakterii E. coli . Za punkt odniesienia posłużył dobrze poznany fag ΦX174, który naturalnie zakaża E. coli.

Proces przypominał wielkoskalowy cykl projektowania, selekcji i testowania:

• modele wygenerowały około 700 tys. kandydackich genomów ;
• filtry komputerowe wyłoniły z nich 302 najbardziej obiecujące sekwencje ;
• 285 sekwencji zsyntetyzowano chemicznie, czyli przekształcono w fizyczne cząsteczki DNA, a następnie przetestowano w komórkach E. coli ;
• 16 z 285 zsyntetyzowanych genomów dało funkcjonalne, replikujące się bakteriofagi, co odpowiada skuteczności około 5,6 proc. .

Autorzy przedstawiają ten wynik jako pierwszy mierzalny punkt odniesienia dla „produktywności” generatywnego projektowania całych genomów .

Niektóre fagi wypadły lepiej niż naturalny wzorzec

Wszystkie 16 działających bakteriofagów zakażało i lizało — czyli rozrywało i zabijało — komórki E. coli w laboratoryjnych hodowlach . W bezpośrednich porównaniach kilka zaprojektowanych przez AI fagów wykazywało szybsze tempo wzrostu lub lizy niż naturalny ΦX174 .

Część projektów różniła się od naturalnego wirusa ponad 50 zmianami w sekwencjach kodujących aminokwasy. Taki poziom odmienności był znacznie większy, niż zwykle można oczekiwać po przypadkowych mutacjach .

Jeszcze bardziej niezwykły był jeden ze szczegółów strukturalnych: jeden z fagów kodował białko odpowiedzialne za pakowanie DNA, którego nie znaleziono wcześniej w żadnym znanym organizmie . To sugeruje, że model nie tylko kopiował istniejące rozwiązania, lecz potrafił łączyć elementy genomu w biologicznie działające, wcześniej niewystępujące konfiguracje.

Dlaczego może to pomóc w walce z opornością na antybiotyki?

Bakteriofagi są naturalnymi wrogami bakterii. Mogą być używane do celowanego zakażania i niszczenia określonych szczepów, dlatego od lat rozważa się ich zastosowanie w terapii fagowej — szczególnie wtedy, gdy bakteria przestaje reagować na antybiotyki.

Problem polega na tym, że bakterie również ewoluują oporność na pojedyncze fagi. Wyniki Stanford i Arc Institute wskazują, że AI może przyspieszyć tworzenie nowych wariantów wirusów oraz projektowanie ich w zestawy, czyli tak zwane koktajle fagowe .

W tym eksperymencie koktajl 16 zaprojektowanych fagów przełamywał oporność w wielu szczepach E. coli, w tym w wariantach, które uodporniły się na pojedyncze bakteriofagi . Atakowanie bakterii kilkoma fagami naraz może utrudnić im jednoczesne wykształcenie odporności na wszystkie składniki mieszanki.

Badanie pokazuje więc możliwość szybkiego prototypowania fagów dopasowanych do konkretnych patogenów . Nie dowodzi jednak jeszcze, że takie preparaty są bezpieczne lub skuteczne u ludzi. Do tego potrzebne byłyby dalsze badania laboratoryjne, przedkliniczne i kliniczne.

Największe pytanie dotyczy bezpieczeństwa biologicznego

Ten sam przełom, który może pomóc w opracowywaniu terapii, budzi obawy o możliwość niewłaściwego wykorzystania. W komentarzu towarzyszącym publikacji w Science Thomas Inglesby i Moritz Hanke z Johns Hopkins Center for Health Security napisali, że zdolność do komponowania genomów wirusów za pomocą generatywnej AI już istnieje, natomiast regulacje zapewniające bezpieczne i odpowiedzialne korzystanie z tej technologii jeszcze za nią nie nadążają .

Jednym z głównych zabezpieczeń jest system International Gene Synthesis Consortium, który sprawdza zamówienia DNA pod kątem znanych sekwencji patogenów. System ten jest jednak dobrowolny, a nie prawnie obowiązkowy. Co ważniejsze, nie został zaprojektowany do wykrywania sekwencji, które nie mają odpowiednika w żadnej naturalnej bazie danych .

Arc Institute podjął działania ostrożnościowe: z danych treningowych Evo 2 celowo wykluczono eukariotyczne patogeny wirusowe, czyli wirusy zakażające ludzi i inne zwierzęta . Eksperci ostrzegają jednak, że podobne metody mogłyby zostać wykorzystane przez osoby działające w złej wierze do projektowania niebezpiecznych sekwencji, a nowe genomy mogą powstawać szybciej, niż obecne systemy nadzoru są w stanie je wykrywać lub blokować .

Komentarz w Nature zwrócił uwagę na ten sam problem: narzędzia tworzone z myślą o odkrywaniu leków mogą jednocześnie obniżać barierę wejścia dla projektowania nowych zagrożeń biologicznych .

Przełom, który wymaga reguł

Najważniejszy wynik tego eksperymentu nie sprowadza się do liczby 16. Po raz pierwszy pokazano, że model AI może zaprojektować cały genom wirusa, a następnie — po jego syntezie — uzyskać organizm zdolny do działania w żywej komórce .

To otwiera interesującą drogę do szybszego opracowywania bakteriofagów przeciwko lekoopornym bakteriom. Jednocześnie pokazuje, że zasady kontroli syntezy DNA i nadzoru nad modelami biologicznymi muszą obejmować nie tylko znane patogeny, lecz także zupełnie nowe sekwencje stworzone przez AI.