AI设计的噬菌体首次注入人体，用于治疗耐药菌感染|噬菌体|病毒|细菌|耐药菌感染|菌株

AI 设计病毒，最先引来的往往是生物安全担忧。今年 8 月，斯坦福大学与 Arc 研究所用 AI 设计出 16 种可复制的噬菌体，相关进展也引发了生物安全讨论。两个月后，AI 设计的噬菌体被用于一名耐药菌感染患者。

噬菌体是以细菌为宿主的病毒，它附着于细菌表面，将遗传物质送入细胞，在其中复制并使细菌裂解。由于感染能力取决于菌株表面的受体，同一种噬菌体即使能清除一株耐药菌，换成同种细菌的另一菌株，也可能失效。

10 月 20 日，美国公司 Radical Numerics 发布多模态基因组模型 Omnii-1，并宣布其设计的噬菌体已用于一名耐药菌感染患者。公司称，这是 AI 设计的噬菌体首次进入人体，给药经授权、由医生主导。

为确保候选噬菌体针对的是患者实际感染的菌株，Radical Numerics 团队以患者的细菌分离株为对象，设计并筛选噬菌体变体。据公司介绍，含 AI 设计变体的混合制剂在体外清除了目标细菌，随后通过同情用药途径用于患者。

此前，AI 设计完整噬菌体基因组已经引发过一轮关注。此次真正的跨越是，含 AI 设计变体的制剂完成针对患者菌株的体外验证，进入实际用药流程。而这些环节能否衔接，将直接关系到个体化噬菌体治疗能走多快。

Radical Numerics 今年获得 5,000 万美元种子轮融资，发布 Omnii-1 时展示了 8 类应用，噬菌体设计是其中率先用于患者的项目。湿实验和临床转化是 AI 生物企业从模型演示走向产品的硬门槛。能否把设计稳定交到临床现场，将决定其平台路线的竞争力。

将 AI 设计的噬菌体注入人体

近年来，耐药菌感染已成为全球公共卫生面临的突出难题。《柳叶刀》2024 年发表的全球疾病负担研究估计，2021 年约有 471 万例死亡与细菌耐药相关，其中约 114 万例可直接归因于耐药。在基准预测情景下，2025 年至 2050 年，全球直接归因于耐药的死亡将累计达到约 3,910 万例。

抗生素让许多过去致命的细菌感染变得可以常规治疗，细菌却会通过突变或获取耐药基因继续演化。当可用药物变少，寻找其他攻击细菌的办法就有了紧迫性。世卫组织指出，噬菌体已用于一些人体耐药菌感染，其疗效差异、噬菌体耐药和标准化治疗流程仍是研究重点。

噬菌体疗法的第一步，通常是拿到造成感染的细菌样本，再测试哪些噬菌体能杀死它。噬菌体须先抓住细菌表面的相应受体，才能将遗传物质送入细菌。受体结构出现细微变化，原本有效的噬菌体就可能失去作用。

据 Radical Numerics 介绍，现有个体化疗法主要依赖从噬菌体库中逐一筛选。若找不到合适候选，团队还要搜索其他库、环境样本，或改造已有噬菌体。对治疗选择所剩不多的患者来说，每增加一轮寻找和测试，留给治疗的时间就会进一步缩短。

因此，Omnii-1 切入了最耗时的筛选与设计环节。公司称，模型通过学习噬菌体和细菌的基因组信息，预测两者能否匹配，也能利用以往实验测得的活性数据，为新变体排序。团队据此挑选候选序列，再通过合成、培养和杀菌实验检验结果。

在技术展示中，公司选择已有的大肠杆菌 T7 噬菌体，重点设计其 gp17（gene product 17，17 号基因产物）尾纤维蛋白相关序列。尾纤维是噬菌体接触细菌的部位，影响它能识别哪些菌株。模型生成新序列时，也参考改造区域两侧的基因组信息，以保留噬菌体组装和复制所需的功能。

这轮 T7 实验展示了模型如何改造噬菌体，但患者制剂中的具体变体则尚不明晰。在尾纤维蛋白出现 11 至 15 处氨基酸变化的测试中，模型设计的候选有 69.9％在重组噬菌体后被检出，随机设计对照组的比例为 4.8％。这一结果反映的是变体能否被成功复原，检出后还需测试其针对不同菌株的活性。

除了设计变体，Omnii-1 还被用来判断现有噬菌体与细菌能否匹配。面对训练阶段未见过的大肠杆菌菌株，在符合测试条件的菌株中，模型推荐的前两种噬菌体至少有一种显示实验活性的比例为 92.1％。这意味着，面对一株新细菌，模型有机会先把需要逐一测试的噬菌体缩小到少数候选。

此次进入用药流程的是含 AI 设计变体的噬菌体混合制剂。据公司披露，它先在体外清除了患者的耐药菌分离株，随后通过同情用药途径用于患者。这一路径允许缺少满意替代疗法的严重疾病患者，在临床试验之外获得研究性治疗，同时接受相应监管。

拿到 5,000 万美元后，这家公司要做什么

噬菌体进入患者用药流程，只是 Radical Numerics 将模型推向实际应用的一步。放眼公司的整体布局，其应用方向还包括疾病诊断、蛋白设计和生物防御等多个应用路线。

公司的技术路线，可以从创始团队的构成说起。团队成员曾参与 Evo 和 Evo 2 基因组模型研发，探索如何让模型从大量遗传序列中学习规律，并生成具有功能的生物序列。2026 年 6 月，Radical Numerics 宣布完成 5,000 万美元种子轮融资，同时预告下一代模型 Omnii。

融资后，公司将医疗设计和生物防御两条方向逐步落到具体任务上。以噬菌体为例，Omnii-1 既要预测哪些噬菌体可能攻击患者的菌株，也要设计值得合成和测试的新变体。前文所述的患者用药，正是这套设计与筛选流程的一次实际应用。

从此次发布的 Omnii-1 看，模型学习的内容已从遗传序列扩展到更多实验数据。据公司介绍，其训练数据涵盖脱氧核糖核酸（Deoxyribonucleic Acid，DNA）、核糖核酸（Ribonucleic Acid，RNA）、蛋白质、基因表达和甲基化等 28 类生物信息。增加这些信息，是为了让模型在预测时考虑更具体的生物环境。