Генеративный ИИ достиг рубежа, к которому исследователи стремились годами. Учёные из Стэнфордского университета и Arc Institute успешно использовали ИИ для проектирования полных вирусных геномов с нуля, причём 16 из этих проектов были подтверждены как полностью функциональные биологически активные вирусы, способные инфицировать бактерии.

Согласно препринту, опубликованному на bioRxiv 12 сентября 2025 года, это первый случай, когда генеративный ИИ создал работающие вирусные геномы от начала до конца. Речь идёт о бактериофагах — вирусах, поражающих бактерии, а не людей.

Как были созданы ИИ-спроектированные фаги

Исследовательская группа под руководством Брайана Хи (Brian Hie) из Стэнфорда с участием коллег из Arc Institute, NVIDIA и Калифорнийского университета в Беркли использовала геномные языковые модели, известные как Evo 1 и Evo 2. Вместо предсказания следующего слова в текстовой последовательности эти модели предсказывают следующую пару оснований в последовательности ДНК. Этот подход повторяет архитектуру трансформера, лежащую в основе больших языковых моделей, таких как те, что работают в ChatGPT, но применяемую к четырёхсимвольному алфавиту ДНК — A, C, G и T.

Используя архитектуру ΦX174 — природного бактериофага, поражающего E. coli, — команда сгенерировала 302 кандидатных генома фагов. Из этих кандидатов 16 были экспериментально подтверждены как способные собираться в жизнеспособные вирусы, поражающие и лизирующие бактерии E. coli.

Несколько ИИ-спроектированных вариантов продемонстрировали преимущества в репликации до 65 раз по сравнению с природным шаблоном. Исследователи также оценили эти фаги в коктейльной терапии против антибиотикорезистентных бактериальных штаммов, где они показали значительную эффективность.

Антибиотикорезистентность как движущая сила

Антибиотикорезистентность остаётся одним из самых острых, но недостаточно признанных кризисов в мировом здравоохранении. Всемирная организация здравоохранения определила антимикробную резистентность как одну из десяти главных глобальных угроз общественному здоровью, причём инфекции, устойчивые к лекарствам, ежегодно приводят к миллионам смертей. Фаговая терапия, использующая вирусы для уничтожения специфических бактерий, существует концептуально с начала XX века и широко применялась в отдельных регионах Советского Союза до эры антибиотиков. Однако она никогда не получила широкого клинического применения в западной медицине, во многом потому, что конструирование подходящего фага для конкретного бактериального штамма является трудоёмким и длительным процессом. Несколько случаев фаговой терапии были проведены в рамках программы FDA по гуманитарному использованию, но масштабируемое проектирование фагов по требованию оставалось недостижимым.

Модели Evo были обучены на обширных генетических наборах данных, охватывающих триллионы пар оснований ДНК, на основе предыдущих работ, представленных в 2024 году. Природный фаг ΦX174 имеет геном из приблизительно 5 386 пар оснований — поразительно малый по биологическим стандартам.

Вопросы биобезопасности

16 функциональных фагов были спроектированы в рамках параметров известного природного шаблона и специфически нацелены на E. coli. Исследователи подчеркнули, что они не создавали новых пандемических патогенов. Тем не менее, базовая способность — модель, способная конструировать работающий вирусный механизм — поднимает вопросы управления, требующие внимательного обсуждения по мере развития технологии. Двойное назначение геномных генеративных моделей помещает эту работу в рамки продолжающейся политической дискуссии о структуре надзора за ИИ-системами, способными проектировать биологические объекты, — темы, привлекающей внимание как американских агентств по биобезопасности, так и международных органов управления.

Участие NVIDIA в этом сотрудничестве также заслуживает внимания тех, кто отслеживает тенденции инвестиций в ИИ-инфраструктуру. Геномное моделирование такого масштаба требует значительных вычислительных ресурсов, и сфера наук о жизни стала одним из важнейших направлений применения высокопроизводительных GPU-кластеров. Эта работа продолжает более широкую тенденцию, в рамках которой биология на базе ИИ — от AlphaFold от DeepMind для предсказания структуры белков до полногеномных языковых моделей — стала одной из самых вычислительно интенсивных и коммерчески значимых рубежей в прикладном ИИ.