人工智慧 · 文章
用AI設計的病毒治療耐藥感染:我們所知道的
發布:
重點
初創公司Radical Numerics表示,其Omnii-1人工智能模型設計了一種噬菌體,並根據FDA同情用藥途徑將其給予一名患有耐藥性大腸桿菌感染的患者。2026年10月20日的公告被描述為首次向人類給予AI設計的病毒,但這些發現尚未經過同行評審,外部科學家表示他們正在保留判斷。
此版本是原文(English)的機器翻譯。 閱讀原文
2026年10月20日,生物技術初創公司Radical Numerics表示,它使用了一個名為Omnii-1的人工智能模型來設計噬菌體——一種感染和殺死細菌的病毒——並將該設計的噬菌體給予了一名患有抗生素耐藥大腸桿菌感染的患者。該公司稱這是首次向人類患者給予AI設計的噬菌體。
為什麼這個故事現在成為新聞
Radical Numerics在同一天從一個保密期間出現,進行了5000萬美元的種子融資輪次,並公開推出了Omnii-1,公司稱其為多模態基因組語言模型。根據該公司所述,Omnii-1是在28種生物數據上進行訓練的,包括DNA、RNA、蛋白質和表觀遺傳信號,可用於預測致病遺傳變異、幫助設計個性化癌症疫苗、檢測新興生物威脅,此外還可以設計噬菌體。
噬菌體治療是在醫生主導的單患者擴展獲取途徑下進行的——通常稱為同情用藥——美國食品和藥物管理局允許這種途徑適用於沒有其他治療選擇的患者。Radical Numerics表示FDA授權了該用途,但該機構在新聞爆出時沒有公開發表評論,該公司以隱私為由沒有披露患者的身份、治療醫生或臨床結果。
Omnii-1如何設計噬菌體
根據Radical Numerics發表的技術寫作,研究人員從T7開始,T7是一種經過充分研究的噬菌體,具有約40千鹼基的基因組,自然感染大腸桿菌。他們使用Omnii-1生成gp17的新變體,gp17是T7用來結合到細菌表面的蛋白質,同時保持噬菌體基因組的其餘部分完整。目標是創建一種仍能結合和殺死從患者分離出的特定抗生素耐藥細菌株的噬菌體。
該公司報告稱,在實驗室測試中,具有11至15個氨基酸變化的AI設計變體的成功功能遠高於具有類似變化的隨機生成變體。產生的噬菌體混合液針對從患者提取的細菌進行了測試,並在給藥前在體外消除了耐藥菌株。
| 變體類型 | 氨基酸變化 | 功能恢復率 |
|---|---|---|
| Omnii-1設計 | 11–15 | 69.9% |
| 隨機對照 | 11–15 | 4.8% |
從Evo到Omnii-1:快速發展的研究方向
- 2025年:根據GV Wire,Arc Institute研究人員使用名為Evo 2的AI模型生成了約700,000個候選噬菌體基因組;285個被合成和測試,其中16個在實驗室實驗中被證明是可行的。
- 2026年10月20日:Radical Numerics公開推出Omnii-1,同時進行了5000萬美元的種子融資輪次,並宣布使用AI設計的噬菌體對患者進行的同情用藥治療。
根據Yahoo Finance,Radical Numerics首席執行官Eric Nguyen將這一里程碑描述為邁向個性化醫學的一步,他表示該領域正在從尋找現有藥物轉向設計與患者特定生物學匹配的治療方法。
仍未證明的內容
Radical Numerics關於噬菌體設計的技術報告尚未經過獨立同行評審,該公司已拒絕分享患者的臨床結果。美國食品和藥物管理局沒有向報導此公告的記者提供評論。噬菌體療法本身並不是新事物——根據GV Wire,它的歷史可以追溯到一個多世紀以前,隨著抗生素耐藥性的增加而引起了新的關注,目前在美國和其他地方運營著專門的診所——但使用AI模型為單個患者的耐藥菌株定製設計噬菌體是新的。
如果有效,那太不可思議了。我的本能是懷疑。
Baym表示,他將保留判斷,直到治療過程結束,他可以檢查AI生成的病毒與現有噬菌體相比實際上有多新穎。
雙用途技術
Radical Numerics表示Omnii也正在為生物防禦而開發,包括與Lawrence Livermore國家實驗室的合作以幫助檢測新興生物威脅,該公司的顧問中包括前國防官員和微軟的首席科學官。根據該公司自己的說法,同樣的基因組設計能力使AI能夠為一名患者的感染創建治療性噬菌體,這是一項該公司同時試圖建立防護措施的技術,因為能夠設計功能性病毒的AI工具原則上也可能被濫用。
常見問題
- 什麼是AI設計的噬菌體?
- 它是一種自然殺死細菌的病毒,在AI模型的幫助下進行修改——在這種情況下是Radical Numerics的Omnii-1——以便更有效地靶向特定的、通常是耐藥的細菌株。
- FDA批准了這個作為藥物嗎?
- 沒有。FDA授權了針對一名沒有其他選擇的患者進行的單患者同情用藥(擴展獲取)治療,這與批准作為通用藥物的治療不同。
- AI設計的噬菌體治療已被證明是安全有效的嗎?
- 從同行評審的意義上講還沒有。Radical Numerics的技術報告尚未經過獨立評審,患者的臨床結果尚未披露,哈佛大學的Michael Baym等外部科學家表示他們正在保留判斷。
- 哪家公司和AI模型是幕後推手?
- Radical Numerics是一家由Evo和Evo 2基因組AI模型幕後團隊成員創建的初創公司,使用其新模型Omnii-1來設計噬菌體。
- 以前有AI設計的病毒被給予人類嗎?
- 根據Radical Numerics,這是首次報告AI設計的噬菌體被給予人類患者的案例。根據GV Wire,早期的AI模型Evo 2在2025年生成了數十萬個候選噬菌體基因組,其中16個後來被證明在實驗室測試中是可行的——但沒有一個被給予患者。
來源
本文由人工智慧撰寫,發布前已通過自動來源查核。如發現錯誤,請申請更正。 申請更正或回應 · 我們如何製作
相關文章

人工智慧文章
神經網絡如何學習:ChatGPT 和 Gemini 背後的數學
神經網絡通過進行預測、使用損失函數測量預測的錯誤程度,然後通過稱為反向傳播的過程向後調整稱為權重的內部值來學習——這個過程與稱為梯度下降的優化方法相結合。相同的機制在擴展到數十億參數時,構成了 ChatGPT 和 Gemini 等系統首先被訓練、然後通過微調適應到特定任務的基礎。

人工智慧文章
AI如何生成藝術和音樂,以及為何「真正創意」仍有爭議
Midjourney和Stable Diffusion等AI圖像工具透過學習反轉雜訊過程來生成圖片,而Suno和Udio等音樂工具則將音訊壓縮為令牌,在文本提示的指導下逐步預測。這些過程是否構成真正的創意仍未確定:研究人員在將其稱為基於模式的「混音」和認可其可測量創意表現之間存在分歧。
人工智慧文章
為什麼Moonshot故意削弱其新Kimi AI模型的黑客技能
中國AI實驗室Moonshot表示,它從其新的Kimi K3.1 Pro模型中移除了網絡相關的訓練數據,以防止這個開源權重系統將進攻性黑客能力的「邊界」推向新高度。該舉措於2026年10月24日星期六宣佈,此時各國政府和安全研究人員警告稱,越來越強大的AI可能使複雜的網絡攻擊變得更便宜、更容易實施。
人工智慧文章
人工智能文本檢測器如何運作——通過獲獎小說爭議進行解析
人工智能文本檢測器無法證明誰寫了某件事;它們通過測量統計模式(例如詞語可預測性和句長變化)來估計概率。一個名為 Pangram 4.1 的檢測器最近將一部價值 €20,000 的獲獎西班牙語小說的 99% 歸因於人工智能,促使其出版商暫停宣傳活動進行調查。