Статья

Нейросеть спроектировала вирус: зачем ИИ учат создавать бактериофаги

Нейросеть спроектировала вирус: зачем ИИ учат создавать бактериофаги

Кира НейманКира Нейман·7 ноября·
19
··0·
Если коротко: в 2025 году исследователи из Стэнфорда и Arc Institute использовали языковые модели для ДНК, Evo 1 и Evo 2, чтобы спроектировать геномы бактериофагов, то есть вирусов, которые заражают только бактерий. Из примерно трёхсот сгенерированных вариантов шестнадцать оказались рабочими: они размножались в кишечной палочке и убивали её. Цель практическая: фаги могут пригодиться против бактерий, устойчивых к антибиотикам. Но это ранний результат на очень простом вирусе, и он поднимает серьёзные вопросы биобезопасности.
Я Кира Нейман, пишу про нейросети по-человечески. Заголовок «нейросеть спроектировала вирус» звучит пугающе, поэтому разберём без паники и без розовых очков: что именно сделали, зачем вообще учить ИИ работать с геномами и где у этой истории пределы.

Что такое бактериофаг и почему он интересен

Бактериофаг, или фаг, — вирус, который заражает бактерий и не заражает человека или животных. Он прикрепляется к клетке, впрыскивает в неё свою ДНК, заставляет её производить новые копии фага, а потом разрушает клетку. Фаги избирательны: каждый подходит к определённым штаммам бактерий.
Интерес к ним вырос из-за устойчивости бактерий к антибиотикам. По данным ВОЗ, с бактериальной устойчивостью к противомикробным препаратам в 2021 году было связано более 4,7 миллиона смертей в мире. Когда лекарства перестают действовать, учёные ищут другие способы воздействия, и фаговая терапия — один из них. Проблема в том, что бактерии быстро учатся защищаться от конкретного фага, поэтому нужны новые и разнообразные варианты.

Что именно сделали исследователи

Команда под руководством Брайана Хи, вычислительного биолога из Стэнфорда и Arc Institute, взяла модели Evo 1 и Evo 2. Они устроены по тому же принципу, что и языковые модели вроде ChatGPT, но вместо слов работают с «буквами» ДНК. По описанию MIT Technology Review, модель Evo обучали на геномах около двух миллионов бактериофагов.
В качестве образца взяли фага phiX174, который заражает кишечную палочку. У него около 5000 «букв» ДНК и 11 генов, то есть это один из самых простых и хорошо изученных вирусов. Модель предложила множество новых геномов. По данным Science News, исследователи проверили примерно 300 проектов: геномы синтезировали химически и смешали с кишечной палочкой. MIT Technology Review называет число 302. Шестнадцать из них дали жизнеспособные вирусы, а некоторые убивали бактерий быстрее, чем исходный phiX174.
Ключевые цифры работы Стэнфорда и Arc Institute: сколько проектов проверили в лаборатории и сколько оказалось рабочими

Почему это не просто «ещё одна нейросеть»

Любой геном — это не набор независимых слов. Гены связаны: один белок должен подойти к другому, последовательности перекрываются, а ошибка в одном месте ломает всю систему. Чтобы получилось рабочее решение, модель должна «уловить» не только грамматику ДНК, но и биологический смысл. Здесь это получилось: 16 проектов реально заработали.
Ещё одно наблюдение из Science News: сам phiX174 не справлялся с тремя штаммами кишечной палочки, устойчивыми к фагу. Но коктейли из спроектированных фагов преодолели эту устойчивость. То есть полученное разнообразие оказалось не только любопытным, но и потенциально полезным. Это и есть главный практический аргумент для такого подхода.
Если вам интересно, как модели вообще «учатся» продолжать последовательности, у нас есть отдельная простая статья.

Что это пока не значит

Здесь легко перегнуть. Во-первых, работа вышла как препринт на bioRxiv 17 сентября 2025 года, и на момент публикации Science News она не прошла рецензирование. Если вы читаете это позже, проверьте статус статьи в журнале: за это время он мог измениться.
Во-вторых, масштаб. Геном человека больше геномов таких вирусов более чем в полмиллиона раз, как отмечает Science News. Джеф Бёке в MIT Technology Review подчёркивает, что у кишечной палочки примерно в тысячу раз больше ДНК, чем у phiX174. Для вируса можно «запустить» жизнь из одной цепочки ДНК, а для бактерии или более сложного организма так не получится: потребовалось бы постепенно менять уже существующие клетки.
В-третьих, ценность. Крейг Вентер в том же материале назвал подход «просто более быстрой версией метода проб и ошибок». Это справедливая трезвая оценка: ИИ ускоряет поиск вариантов, но проверка в лаборатории остаётся обязательной, и именно она отсеяла большую часть проектов.
И наконец, безопасность самого фага для других микробов. Science News отмечает, что понадобится большое тестирование, чтобы убедиться, что спроектированные фаги не вредят другим микроорганизмам.

Биобезопасность: где главные риски

Тема неизбежно вызывает вопрос: а если так же сделать опасный вирус? Исследователи отвечают: модели намеренно не обучали на вирусах, поражающих людей, а изученные фаги для человека безопасны. Однако Вентер в MIT Technology Review призывает к крайней осторожности с любыми случайными «улучшениями» вирусов, а авторы признают, что технологию можно использовать и во вред.
Поэтому ключевой вопрос не «может ли ИИ создать вирус», а «какие ограничения нужны на данные, доступ к моделям и синтез ДНК». Это тема для регуляторов, лабораторий и компаний, которые синтезируют ДНК по заказу. Хорошая практика — проверка заказов и открытое обсуждение рисков до того, как технология станет массовой. Подробных инструкций тут нет и быть не должно.

Как читать такие новости

Заголовки вроде «ИИ создал жизнь» почти всегда преувеличивают. Вирусы не считаются живыми в полном смысле: это, как их описывают в MIT Technology Review, «мятежные кусочки генетического кода» с простым геномом. Нейросеть здесь не изобрела биологию с нуля, а предложила варианты на основе того, что видела в двух миллионах реальных геномов.
Полезные вопросы к любой подобной новости: прошла ли работа рецензирование, сколько вариантов проверили и сколько сработало, на каком организме и в каких условиях, что говорят независимые эксперты. Здесь ответы такие: препринт, около 300 проектов и 16 успехов, один простой вирус, критика и осторожность от известных учёных. Это интересный и важный шаг, но не революция сегодня, и до применения в медицине здесь ещё очень много лабораторной работы, проверок безопасности и независимых повторений результата.
Какие вопросы задать себе при чтении громкой новости о прорыве ИИ в науке

Зачем учить ИИ создавать фагов: практический смысл

Зачем всё это, если можно искать фаги в природе? Природные фаги существуют, но поиск идёт долго, а нужный вирус для конкретного устойчивого штамма находится не всегда. Генеративная модель позволяет быстро предложить десятки или сотни вариантов, из которых лаборатория проверяет лучшие. Это экономит время на ранних этапах.
Дальше путь длинный: доклинические испытания, проверка безопасности, регуляторное одобрение. Пока речь идёт о работе в пробирке с одним видом бактерий, а не о лекарстве. Реальных медицинских рекомендаций из этого делать нельзя, и если вы столкнулись с тяжёлой инфекцией, лечение назначает только врач.

Коротко

- Учёные из Стэнфорда и Arc Institute использовали модели Evo для проектирования геномов фагов, которые заражают кишечную палочку. - Из примерно 300 проектов 16 оказались рабочими, а коктейли из них преодолели устойчивость бактерий к исходному фагу. - Результат ранний: препринт на момент публикации, простой вирус, лабораторные условия. - Масштабирование на бактерии и сложные организмы пока не доказано. - Риски биобезопасности реальны, поэтому вокруг таких моделей нужны правила доступа и проверка заказов на синтез ДНК.
0

Пока нет комментариев

Нейросеть спроектировала вирус: зачем ИИ создаёт фаги