人工智能 · 文章
用人工智能设计的病毒治疗耐药感染:我们了解的信息
发布:
要点
初创公司Radical Numerics表示,其Omnii-1人工智能模型设计了一种噬菌体,该噬菌体已根据FDA同情使用途径给一名患有耐药性大肠杆菌感染的患者使用。2026年10月20日的宣布被描述为首次向人类患者给予人工智能设计的病毒,但这些发现未经同行评审,外界科学家表示他们正保留判断。
此版本是原文(English)的机器翻译。 阅读原文
2026年10月20日,生物技术初创公司Radical Numerics表示,它已使用一个名为Omnii-1的人工智能模型来设计噬菌体——一种感染并杀死细菌的病毒——工程化的噬菌体已给予一名患有抗生素耐药大肠杆菌感染的患者。该公司将其描述为首次向人类患者给予人工智能设计的噬菌体。
为什么这个故事现在成为新闻
Radical Numerics在同一天从保密期间出现,获得了5000万美元的种子轮融资,以及Omnii-1的公开发布,该公司将其称为多模式基因组语言模型。根据该公司说法,Omnii-1在28种生物数据上进行了训练,包括DNA、RNA、蛋白质和表观遗传信号,可用于预测导致疾病的遗传变异、帮助设计个性化癌症疫苗和检测新兴生物威胁,除了设计噬菌体外。
噬菌体治疗是根据医生主导的单患者扩大获取途径进行的——通常称为同情使用——美国食品和药物管理局允许对没有其他治疗选择的患者使用。Radical Numerics表示FDA授权了这种使用,但该机构在新闻破晓时未公开评论,该公司以隐私为由没有披露患者身份、治疗医生或临床结果。
Omnii-1如何设计噬菌体
根据Radical Numerics发布的技术文件,研究人员从T7开始,这是一种经过充分研究的噬菌体,具有大约40千碱基的基因组,自然感染大肠杆菌。他们使用Omnii-1生成gp17的新变体,T7用来与细菌表面结合的蛋白质,同时保持噬菌体基因组的其余部分完整。目标是获得一种仍能结合和杀死从患者分离的特定抗生素耐药菌株的噬菌体。
该公司报告说,在实验室测试中,具有11到15个氨基酸变化的人工智能设计变体的功能成功率远高于具有类似变化的随机生成变体。所得的噬菌体混合物与从患者取出的细菌进行了测试,在给予前在体外消除了耐药菌株。
| 变体类型 | 氨基酸变化 | 功能恢复率 |
|---|---|---|
| Omnii-1设计的 | 11–15 | 69.9% |
| 随机对照 | 11–15 | 4.8% |
从Evo到Omnii-1:快速发展的研究方向
- 2025年:Arc Institute研究人员使用名为Evo 2的人工智能模型生成了约700,000个候选噬菌体基因组;根据GV Wire,285个被合成和测试,16个在实验室实验中被证明是可行的。
- 2026年10月20日:Radical Numerics与其5000万美元的种子轮融资一起公开推出Omnii-1,并宣布用人工智能设计的噬菌体对患者的同情使用治疗。
根据Yahoo Finance,Radical Numerics首席执行官Eric Nguyen将这一里程碑描述为向个性化医学迈进的一步,称该领域正在远离寻找现有药物,转向设计与患者特定生物学相匹配的治疗方法。
仍然未被证明的内容
Radical Numerics关于噬菌体设计的技术报告尚未经过独立同行评审,该公司已拒绝分享患者的临床结果。FDA没有向报道该公告的记者提供评论。噬菌体疗法本身并不是新的——根据GV Wire,它可以追溯到一个多世纪前,随着抗生素耐药性的增长,它受到了更新的关注,专门的诊所现在在美国和其他地方运营——但使用人工智能模型为单个患者的耐药菌株定制设计噬菌体是新的。
如果有效,那太不可思议了。我的直觉是持怀疑态度。
Baym表示,他将保留判断,直到治疗运行完成,他可以检查人工智能生成的病毒与现有噬菌体相比实际上有多新颖。
双重用途技术
Radical Numerics表示,Omnii也在为生物防御开发,包括与Lawrence Livermore National Laboratory的合作以帮助检测新兴生物威胁,该公司的顾问中包括前防御官员和微软首席科学官。根据公司自己的说法,让人工智能为患者的感染创建治疗性噬菌体的相同基因组设计能力是一项技术,它同时试图建立针对性的保障措施,因为能够设计功能性病毒的人工智能工具原则上也可能被滥用。
常见问题
- 什么是人工智能设计的噬菌体?
- 它是一种自然杀死细菌的病毒,在人工智能模型的帮助下进行了修改——在这种情况下是Radical Numerics的Omnii-1——以便它更有效地针对特定的、通常是耐药的细菌菌株。
- FDA是否批准了这个作为药物?
- 不。FDA授权了针对一名没有其他选择的患者的单患者同情使用(扩大获取)治疗,这不同于批准该疗法作为一般药物。
- 人工智能设计的噬菌体治疗是否被证明安全有效?
- 还没有在同行评审的意义上。Radical Numerics的技术报告尚未被独立审查,患者的临床结果尚未披露,外界科学家如哈佛的Michael Baym表示他们保留判断。
- 哪家公司和人工智能模型在这背后?
- Radical Numerics,一家由Evo和Evo 2基因组人工智能模型背后团队成员创立的初创公司,使用其新模型Omnii-1来设计噬菌体。
- 人工智能设计的病毒是否曾被给予人类?
- 根据Radical Numerics,这是首次报告的人工智能设计噬菌体被给予人类患者的情况。根据GV Wire,早期的人工智能模型Evo 2在2025年生成了数十万候选噬菌体基因组,16个后来被证明在实验室测试中是可行的——但没有一个被给予患者。
来源
本文由人工智能撰写,发布前已通过自动来源核查。如发现错误,请申请更正。 申请更正或回应 · 我们如何制作
相关文章

人工智能文章
神经网络如何学习:ChatGPT和Gemini背后的数学
神经网络通过进行预测、用损失函数衡量预测的错误程度,然后通过网络向后调整称为权重的内部值来学习——这个过程称为反向传播,与称为梯度下降的优化方法相结合。同样的机制,扩展到数十亿个参数的规模,是ChatGPT和Gemini等系统首先被训练,然后通过微调适配特定任务的基础。

人工智能文章
人工智能如何生成艺术和音乐,以及为什么'真正的创意'仍然存在争议
Midjourney和Stable Diffusion等AI图像工具通过学习反转噪声过程来生成图片,而Suno和Udio等音乐工具将音频压缩为令牌,并在文本提示的指导下逐步预测它们。这两个过程是否算作真正的创意仍未解决:研究人员分为两派,一派称其为基于模式的'混音',另一派则赞同其具有可衡量的创意表现。
人工智能文章
Moonshot为何故意削弱其新型Kimi AI模型的黑客技能
中国AI实验室Moonshot表示,它从新款Kimi K3.1 Pro模型中删除了与网络安全相关的训练数据,以防止开源权重系统推动进攻型黑客能力的"前沿"。这一举动于2026年10月24日星期六宣布,此时各国政府和安全研究人员纷纷警告,日益强大的AI可能会使复杂的网络攻击更便宜、更容易实施。
人工智能文章
AI文本检测工具如何工作:通过获奖小说纠纷案例解析
AI文本检测工具无法证明谁写了某段文本,它们通过测量词汇可预测性和句子长度变化等统计模式来估计概率。名为Pangram 4.1的检测工具最近认为一部获得€20,000奖金的西班牙语小说有99%的内容由人工智能生成,促使其出版商暂停宣传活动进行调查。