Generatieve AI heeft een mijlpaal bereikt waar onderzoekers al jaren naar uitkeken. Wetenschappers aan Stanford University en het Arc Institute hebben met succes AI gebruikt om complete virale genomen vanaf nul te ontwerpen, waarvan 16 ontwerpen zijn bevestigd als volledig functionele, biologisch actieve virussen die in staat zijn bacteriën te infecteren.

Volgens een preprint die op 12 september 2025 op bioRxiv is verschenen, is dit de eerste keer dat generatieve AI werkende virale genomen end-to-end heeft geproduceerd. Het gaat om bacteriofagen — virussen die zich op bacteriën richten, niet op mensen.

Hoe de door AI ontworpen fagen werden gebouwd

Het onderzoeksteam, onder leiding van Brian Hie aan Stanford met medewerkers van het Arc Institute, NVIDIA en UC Berkeley, maakte gebruik van genoomlaagmodellen bekend als Evo 1 en Evo 2. In plaats van het volgende woord in een tekstsequentie te voorspellen, voorspellen deze modellen het volgende basenpaar in een DNA-sequentie. Deze benadering weerspiegelt de transformer-architectuur achter grote taalmodellen zoals die welke ChatGPT aansturen, maar dan toegepast op het vierletterige alfabet van DNA — A, C, G en T.

Met behulp van de architectuur van ΦX174 — een van nature voorkomende bacteriofaag die E. coli infecteert — genereerde het team 302 kandidaat-faaggenomen. Van die kandidaten werden er 16 experimenteel geverifieerd als samenstellend tot levensvatbare virussen die in staat zijn E. coli-bacteriën te infecteren en te lyseren.

Verscheidene door AI ontworpen varianten vertoonden replicatievoordelen van tot wel 65 keer vergeleken met het natuurlijke sjabloon. De onderzoekers hebben deze fagen ook geëvalueerd in cocktailtherapieën tegen antibioticumresistente bacteriële stammen, waarbij ze aanzienlijke werkzaamheid vertoonden.

Antibioticumresistentie als drijvende kracht

Antibioticumresistentie blijft een van de meest urgente maar onderbelichte crises in de wereldwijde gezondheidszorg. De Wereldgezondheidsorganisatie heeft antimicrobiële resistentie geïdentificeerd als een van de top tien wereldwijde volksgezondheidsbedreigingen, waarbij door geneesmiddelen resistente infecties jaarlijks bijdragen aan miljoenen sterfgevallen. Faagtherapie, waarbij virussen worden ingezet om specifieke bacteriën te elimineren, bestaat sinds het begin van de 20e eeuw als concept en werd op grote schaal toegepast in delen van de Sovjet-Unie vóór het antibioticatijdperk. Het heeft echter nooit wijdverbreide klinische toepassing gevonden in de westerse geneeskunde, voornamelijk omdat het ontwerpen van de juiste faag voor een bepaalde bacteriële stam een arbeidsintensief en tijdrovend proces is. Een handvol faagtherapiegevallen is behandeld onder de compassionate-use-bepalingen van de FDA, maar schaalbaar, on-demand faagontwerp bleef buiten bereik.

De Evo-modellen werden getraind op enorme genetische datasets die biljoenen DNA-basenparen omvatten, voortbouwend op eerder werk dat in 2024 werd geïntroduceerd. De natuurlijke ΦX174-faag heeft een genoom van ongeveer 5.386 basenparen — opmerkelijk klein naar biologische maatstaven.

Bioveiligheidsoverwegingen

De 16 functionele fagen werden ontworpen binnen de parameters van een bekend natuurlijk sjabloon en richten zich specifiek op E. coli. De onderzoekers benadrukten dat ze geen nieuwe pandemische pathogenen creëerden. Niettemin roept de onderliggende capaciteit — een model dat werkend virale machinerie kan construeren — governancesvragen op die zorgvuldige discussie vereisen naarmate de technologie vordert. De dual-use aard van genoomschaal generatieve modellen plaatst dit werk binnen een lopende beleidsdiscussie over toezichtkaders voor AI-systemen die in staat zijn biologische entiteiten te ontwerpen, een onderwerp dat de aandacht heeft getrokken van zowel Amerikaanse bioveiligheidsinstanties als internationale bestuursorganen.

De deelname van NVIDIA aan de samenwerking is ook opmerkelijk voor degenen die de investeringstrends in AI-infrastructuur volgen. Genomische modellering op deze schaal vereist aanzienlijke rekenkracht, en de levenswetenschappensector is uitgegroeid tot een belangrijk toepassingsdomein voor hoogpresterende GPU-clusters. Het werk volgt een bredere ontwikkeling waarbij door AI aangedreven biologie — van DeepMind's AlphaFold voor eiwitstructuurvoorspelling tot taalmodellen voor gehele genomen — een van de meest rekenintensieve en commercieel belangrijkste grenzen in toegepaste AI is geworden.