AI设计的噬菌体首次注入人体，用于治疗耐药菌感染

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。

图 | 个体化噬菌体设计与用药流程（来源：Radical Numerics）

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。

（来源：Radical Numerics 官网）

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。

（来源：Radical Numerics 官网）

这也解释了“多模态”的含义。同一段 DNA 在不同细胞中，可能呈现不同的活动状态。基因序列记录了遗传信息如何排列，RNA、蛋白质和其他实验数据则帮助模型判断哪些部分正在发挥作用。“多模态”意味着把这些不同来源的信息放在一起分析，再用于预测生物功能或提出设计方案。

发布 Omnii-1 时，Radical Numerics 同时展示了 8 类应用。除噬菌体设计，还包括罕见病变异分析、血液癌症信号检测、抗体设计、个体化癌症疫苗靶点筛选，以及用于稀土分离的蛋白设计等，覆盖诊断、治疗候选和工业用途。

例如，在罕见病方向，据公司公布的测试结果，模型能够为部分未确诊病例提出候选致病变异。癌症检测方向展示的是已有数据集上的评估结果，噬菌体项目则走到了患者用药阶段。从产品布局看，Radical Numerics 瞄准的是能用于多种生物任务的基础模型，此次患者案例是其治疗设计能力的一次交付。

不过，把一次给药变成可重复的临床流程，仍是一大难题。患者的细菌要及时分离，设计序列要完成合成和实验验证，制剂需要质量控制，医院还要决定如何将其纳入治疗。这些步骤各自需要时间，也决定了个体化噬菌体治疗将来能以多快的速度服务更多患者。

据公司战略，目前噬菌体项目正在同时推进两项工作：一项是改造已有噬菌体，设计可能攻击特定菌株的新变体；另一项是预测现有噬菌体与细菌的匹配关系，挑出值得优先测试的候选。前者旨在增加可选方案，后者减少逐一筛选的工作量，两者都需要实验结果持续检验。

（来源：Radical Numerics 官网）

在更大的业务版图里，公司还押注生物防御。随着 AI 生成生物序列的能力增强，识别陌生病原体和可疑序列也变得重要。Radical Numerics 将相关识别工具与医疗设计放在同一研发体系中，并以“通用生物智能”概括其长期方向。

目前，生物 AI 模型业内的竞争已延伸到合成、实验验证和临床协作。Radical Numerics 此次把设计变体送进了患者用药流程。接下来的看点是，它能否在更多感染病例中稳定完成菌株匹配、制剂制备，并记录治疗结果。

参考资料：

1.https://www.radicalnumerics.ai/blog/omnii-phage

2.https://www.radicalnumerics.ai/blog/omnii-1

3.https://pubmed.ncbi.nlm.nih.gov/39299261/

4.https://www.radicalnumerics.ai/blog/radical-numerics-seed

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成