W 2025 roku naukowcy ze Stanford University zsyntezowali niemal 300 fagów — wirusów atakujących bakterie — których sekwencje DNA wygenerował generatywny model AI o nazwie Evo 2. Spośród nich 16 wykazało wyjątkowo silną aktywność zabójczą wobec Escherichia coli. To odkrycie zaskakuje z jednego powodu: do tej pory AI potrafiła proponować lokalne modyfikacje DNA, ale samodzielne zaprojektowanie całego, funkcjonalnego genomu wirusa od zera — to zupełnie nowa liga możliwości.
Co to jest bakteriofag i dlaczego nauka wróciła do jego badań?
Bakteriofag (z greki: „pożeracz bakterii”) to wirus, który infekuje i niszczy komórki bakteryjne, nie atakując przy tym komórek ludzkich. Odkryty na początku XX wieku, przez dekady pozostawał w cieniu antybiotyków — aż do momentu, gdy narastająca oporność bakterii na leki zaczęła przekształcać się w globalny problem zdrowotny.
Terapia fagowa przeżywa dziś renesans właśnie dlatego, że antybiotyki coraz częściej zawodzą. Według szacunków Światowej Organizacji Zdrowia z 2024 roku, oporność na środki przeciwdrobnoustrojowe odpowiada już za ponad 1,27 miliona zgonów rocznie na świecie. Fagi oferują alternatywę: są wysoce specyficzne i mogą niszczyć konkretne szczepy bakterii, nie zaburzając reszty mikrobiomu.
Tradycyjne projektowanie fagów terapeutycznych jest jednak żmudne. Wymaga setek godzin pracy laboratoryjnej i precyzyjnej inżynierii genetycznej. Tu właśnie wkracza sztuczna inteligencja — jako narzędzie do generowania i przesiewania tysięcy kandydatów w czasie, który wcześniej był nieosiągalny.
Jak działa model Evo 2 i co czyni go wyjątkowym?
Evo 2 to generatywny model językowy — ale zamiast tokenów z ludzkiego języka przetwarza sekwencje nukleotydów DNA. Powstał na Uniwersytecie Stanforda pod kierunkiem Briana Hie, profesora inżynierii chemicznej i stypendysty Dieter Schwarz Foundation Stanford Data Science Faculty Fellow.
Model działa na zasadzie podobnej do dużych modeli językowych: przyjmuje krótki fragment sekwencji genomowej jako punkt startowy, a następnie generuje całą resztę genomu w jednym przejściu od lewej do prawej. Brian Hie z Uniwersytetu Stanforda opisał to w 2025 roku następująco: „W tym przypadku chcieliśmy, żeby model wygenerował cały genom od końca do końca w jednym przebiegu od lewej do prawej. Nie dodawaliśmy niczego.”
Kluczowym obiektem badań był bakteriofag ΦX174 (wymawiane: „faj-ex-1-7-4″) — jeden z najprostszych i najlepiej zbadanych fagów, którego genom liczy zaledwie około 5 400 par zasad. Dla porównania: ludzki genom zawiera około 3 miliardów par zasad. Ta kompaktowość czyniła ΦX174 idealnym modelem testowym — wystarczająco złożonym biologicznie, a jednocześnie wykonalnym obliczeniowo.
Od tysiąca kandydatów do 16 skutecznych fagów
Evo 2 wygenerował tysiące kandydujących genomów, zanim zespół wybrał sekwencje do syntezy chemicznej i testów laboratoryjnych. Doktorant Samuel King opracował w tym celu specjalny framework obliczeniowy służący do wstępnego przesiewu kandydatów — oceniał on cechy genomów na podstawie ΦX174 i spokrewnionych fagów, zanim jakikolwiek z nich trafił do laboratorium.
Framework obejmował kilka etapów: generowanie genomów przez Evo 2, ich ocenę według kryteriów projektowych, selekcję optymalnych kandydatów, syntezę chemiczną i wreszcie testy laboratoryjne. Samuel King z Uniwersytetu Stanforda wyjaśnił w 2025 roku: „Jedną z głównych części frameworku było ustalenie, jakie cechy powinny mieć genomy na podstawie ΦX174 i spokrewnionych fagów.” Podejście to pozwoliło znacząco obniżyć koszty syntezy DNA, koncentrując wydatki wyłącznie na najbardziej obiecujących kandydatach.
Redakcja IWD Partner: Opisany projekt to coś więcej niż kolejny dowód zdolności generatywnej AI — to sygnał, że granica między modelowaniem językowym a inżynierią biologiczną zaczyna się zacierać w sposób, który jeszcze kilka lat temu wydawał się science fiction. Projektowanie genomów przez model AI można porównać do sytuacji, w której chatbot zaczyna pisać nie opowiadania, lecz działające receptury chemiczne. Otwarte pozostaje pytanie: jak blisko jesteśmy momentu, gdy AI zaproponuje faga skutecznego wobec szczepu opornego na wszystkie dostępne antybiotyki — i jak szybko społeczność naukowa zdoła przetestować taką propozycję klinicznie?
Dlaczego badacze użyli mieszaniny 16 fagów, a nie jednego?
Dobór więcej niż jednego faga do zwalczania E. coli był świadomą decyzją strategiczną, wynikającą z biologii bakterii. Podobnie jak w przypadku antybiotyków, bakterie mogą wypracować oporność na pojedynczy fag w stosunkowo krótkim czasie, modyfikując receptory powierzchniowe, przez które wirus wnika do komórki.
Mieszaniny fagów — tzw. koktajle fagowe — utrudniają bakteriom wypracowanie jednocześnie kilku mechanizmów obronnych. Brian Hie z Uniwersytetu Stanforda wskazał w 2025 roku, że właśnie ta wielokierunkowość ataku jest kluczową zaletą strategii opartej na kilkunastu różnych fagach.
Warto zauważyć, że część fagów zaprojektowanych przez Evo 2 wykazała w testach laboratoryjnych wyższą skuteczność niż natywny, naturalny ΦX174. Według wstępnych danych z 2025 roku oznacza to, że AI nie tylko potrafiła odwzorować naturę — ale wygenerowała rozwiązania, które natura sama nie zdążyła ewoluować lub nie ewoluowała ich w kierunku, który jest przydatny klinicznie.
Co to oznacza dla przyszłości terapii fagowej i biotechnologii?
Projekt Stanforda wyznacza nową granicę możliwości generatywnej AI w biologii: przejście od edycji lokalnych fragmentów DNA do projektowania całych, funkcjonalnych genomów. To zmiana jakościowa — nie ilościowa — w metodologii pracy biotechnologicznej.
Dotychczasowe narzędzia AI w genomice koncentrowały się głównie na przewidywaniu struktury białek (jak AlphaFold od Google DeepMind, który w 2021 roku zrewolucjonizował fizykę białek) lub na wskazywaniu mutacji punktowych. Evo 2 działa na innym poziomie: generuje pełnowartościowe propozycje biologiczne, które można następnie zweryfikować eksperymentalnie.
Synteza DNA pozostaje na razie praktycznym ograniczeniem procesu. Koszt chemicznej syntezy każdego kandydującego genomu ogranicza liczbę testowanych wariantów — dlatego właśnie framework obliczeniowy Samuela Kinga ma tak duże znaczenie. Jeśli koszty syntezy DNA będą nadal spadać (a trend wskazuje właśnie na to), potencjał tej metody wzrośnie nieproporcjonalnie.
Bezpieczeństwo i regulacje: otwarte pytania
Każda technologia umożliwiająca projektowanie wirusów — nawet tych skierowanych wyłącznie przeciwko bakteriom — rodzi pytania natury etycznej i regulacyjnej. Społeczność naukowa i instytucje regulacyjne, w tym amerykańska Agencja ds. Żywności i Leków (FDA), stoją przed wyzwaniem wypracowania ram prawnych dla terapii fagowych projektowanych przy udziale AI. Według wstępnych danych z 2025 roku, żadne z wygenerowanych przez Evo 2 rozwiązań nie wyszło poza etap badań laboratoryjnych — ale tempo postępu sugeruje, że ta rozmowa musi się toczyć już teraz, nie za dekadę.
Dlaczego generatywna AI w biologii ma znaczenie?
Badanie ze Stanford University z 2025 roku pokazuje, że generatywna AI może skrócić jeden z najdłuższych etapów pracy biotechnologicznej: fazę poszukiwania i selekcji kandydatów biologicznych. Zsyntezowanie niemal 300 kandydujących fagów i wyłonienie 16 aktywnych terapeutycznie w jednym projekcie badawczym to wynik, który tradycyjnymi metodami wymagałby wieloletnich prac wielu laboratoriów.
Model Evo 2 jest pierwszym udokumentowanym przypadkiem, w którym generatywny model AI wyprodukował kompletne, syntetyzowalne i biologicznie aktywne genomy wirusowe — nie fragmenty, nie korekty istniejących sekwencji, lecz nowe propozycje genomowe od podstaw. Dla dziedziny terapii fagowej, która od lat szuka skalowania i przyspieszenia, może to oznaczać zmianę reguł gry.
| Parametr | Tradycyjne metody | Podejście z Evo 2 (Stanford, 2025) |
|---|---|---|
| Generowanie kandydatów | Ręczna inżynieria genetyczna | Tysiące genomów w jednym przebiegu modelu AI |
| Przesiew wstępny | Eksperymenty laboratoryjne | Framework obliczeniowy (S. King) |
| Liczba przetestowanych kandydatów | Kilku–kilkunastu | Niemal 300 zsyntezowanych, 16 wybranych |
| Długość genomu testowego (ΦX174) | ~5 400 par zasad | ~5 400 par zasad (bez zmian) |
| Skuteczność vs. naturalny fag | Punkt odniesienia | Część kandydatów wykazała wyższą skuteczność |
Powiązane pojęcia z AI i uczenia maszynowego
- Generatywny model językowy (LLM) — klasa modeli AI zdolnych do tworzenia nowych sekwencji danych (tekstu, kodu, DNA) na podstawie wzorców wyuczonych z dużych zbiorów treningowych.
- Inżynieria sekwencji genomowej — dziedzina biotechnologii zajmująca się projektowaniem i modyfikowaniem sekwencji DNA w celu uzyskania pożądanych właściwości biologicznych.
- Synteza chemiczna DNA — laboratoryjna metoda produkcji odcinków lub całych genomów DNA na podstawie zadanej sekwencji nukleotydów, bez użycia żywego organizmu jako szablonu.
- Framework obliczeniowy do przesiewu kandydatów — zestaw algorytmów oceniających i rankingujących kandydatów biologicznych lub chemicznych przed kosztowną weryfikacją eksperymentalną.
- Koktajl fagowy — mieszanina kilku różnych bakteriofagów stosowana w terapii, by ograniczyć ryzyko wykształcenia oporności przez atakowane bakterie.
Na podstawie materiałów źródłowych.
