旧金山人工智能实验室 Radical Numerics 近日宣布，其利用 AI 模型设计的噬菌体（bacteriophage）已注射给一名患有抗生素耐药细菌感染的人类患者。该治疗是在 FDA 授权的医生主导的同情使用途径下进行的。
- Radical Numerics 称其 Omnii-1 模型设计了用于治疗的噬菌体。
- 通过重写 T7 噬菌体尾部纤维的基因来构建该生物制剂。
- 由于结果尚未发表、未经同行评审或正式披露，公司外部人员无法验证其有效性。
如果这一声明属实，这将是首次将完全由人工智能设计的有机体作为药物注入人体。然而，截至 10 月 29 日，即宣布后的九天，传染病临床医师的专业报道中仍未公布具体的临床过程、治疗结果或同行评审出版物。目前，技术报告仍是描述该案例的唯一来源。
AI 加速噬菌体疗法：从概念验证到临床应用
噬菌体是感染细菌但忽略人类细胞的病毒。随着抗生素失效问题日益严峻，噬菌体疗法已被用作医疗手段超过一百年。世界卫生组织认为噬菌体疗法基本安全，且与广谱抗生素不同，噬菌体可以靶向特定的细菌菌株。
每种噬菌体只能识别细菌表面受体的狭窄组合，因此治疗患者意味着找到适合其特定感染的受体。临床医生通常需要对现有的噬菌体库进行筛查，并检测环境样本。对于败血症患者而言，这种搜索并非学术练习，而是关乎生死的紧急状况。
抗菌素耐药性的严重性不容忽视。全球疾病负担项目估计，2021 年约有 470 万例死亡与抗菌素耐药性有关，预测显示在 2025 年至 2050 年间，近 4000 万例死亡可能由此导致。
Radical Numerics 由开发 Evo 和 Evo 2 基因组模型的核心团队成员创立。Evo 系列模型曾由 Arc Institute 推出，并成功生成首批完全由 AI 编写的噬菌体基因组。在那次早期工作中，共产出 70 万个候选基因组，其中 285 个被合成，最终有 16 个培育出具有活性的病毒。虽然命中率较低，但这被视为一次颇具前景的概念验证。
技术细节：精准编辑而非从头设计
根据公司的技术文件，此次采用的是一种更狭窄、更具“外科手术式”的方法。模型并未发明整个基因组，而是编辑目标组件。团队选择了特征明确的 40 kb E. coli 噬菌体 T7，并重写了负责结合受体的尾部纤维蛋白 gp17。
公司分享的数据显示出一定的潜力。在相对于野生型发生 11 至 15 个氨基酸变化的情况下，69.9% 的设计变体被回收为具有活性的噬菌体，而随机对照组的这一比例仅为 4.8%。在 6,694 个具有可测量活性的变体中，有 2,161 个优于原始版本，其中一些携带了多达 28 个氨基酸替换。
隐私保护下的沉默与外界质疑
据报道，接受治疗的是一名感染了对抗生素和所有可用噬菌体均产生耐药性的大肠杆菌（E. coli）的患者。Radical Numerics 拒绝描述患者的具体临床过程、结果、所在医院或主治医生，理由是保护患者隐私，因为即使有限的临床细节也可能识别出患者身份。
公司在其网站上自行发布了技术报告，但未进行同行评审。为了公平起见，Radical Numerics 在其文章中明确指出，单个患者的观察无法确定安全性或有效性。首席执行官 Eric 也表示，公司打算后续通过同行评审进行出版。
外界专家对此持谨慎态度，处于好奇与怀疑之间。未参与研究的哈佛大学微生物学家 Michael Baym 表示，如果成功，结果将令人难以置信。
商业逻辑方面，传统噬菌体捕获速度缓慢，Radical Numerics 认为其技术可以将设计周期从几个月压缩到几天。与公司合作的太华医院传染病专家 Marisa Azad 指出，传统的搜索非常耗时。如果 AI 能可靠地缩短这一循环，将改变谁接受治疗，使治疗更具成本效益并惠及更广泛的人群。
双重用途担忧与未来影响
这也引发了一些担忧：一个能够按订单设计病毒的模型，在结构上同样具备按订单制造潜在危险病原体的能力。Radical Numerics 直接承认了这一风险，并承诺将扩展生物安全、控制和数据共享措施，以适应模型的能力。这是每一个有能力的生物设计工具所面临的双重用途问题，也是 AI 实验室公开关注的议题。
工程化噬菌体此前已有接触患者的先例，最著名的是 2019 年的病例，其中修改后的噬菌体用于治疗传播的耐药性分枝杆菌感染。新的突破不在于治疗概念本身，而在于设计过程——这是一个由 AI 驱动的过程，随之而来的是治理问题。
人工智能已从阅读生物学转向写作生物学，并将成果交给医生。这与 AI 模型提出癌症假设或在罕见病诊断中超越专家的说法不同。目前，这是一项针对重症患者的实验。对于一个预计在未来几十年内增长的行业来说，无论结果如何，这一事件都将带来深远的影响。
