AI寫出可運作的噬菌體全基因組，抗藥性感染的新工具也帶來監管考題

抗生素逐漸失效之際，噬菌體療法提供了一條不同路徑：不再以藥物抑制細菌，而是讓病毒專門感染並摧毀細菌。如今，研究人員更把人工智慧從設計單一蛋白質推進到整套病毒基因組，讓尋找新噬菌體不必完全受限於自然界已有的樣本。這項能力既可能擴充對抗抗藥性感染的工具箱，也使生物安全規範面臨新的辨識難題。

研究團隊以僅感染細菌的ΦX174噬菌體為範本，將Evo基因組模型進一步調校於14,466條微小噬菌體科序列。完整基因組設計比生成單一基因困難得多：ΦX174約有5,386個核苷酸、11個彼此重疊的基因，模型必須同時維持複製、包裝、調控與宿主辨識等功能，任何一處變動都可能牽動多個元件。

在285項送進實驗室的設計中，研究人員確認16種噬菌體具有功能。它們可以在非致病性大腸桿菌C株及其近緣W株增殖，卻未在另外六個受測菌株生長；團隊在設計階段保留了與宿主範圍有關的棘蛋白特徵，以限制感染對象。部分成品與最接近的天然基因組相差數百個突變，其中一種按部分分類門檻甚至可能構成新物種。

更貼近醫療需求的測試，是能否追上細菌演化。團隊先培養出三種對天然ΦX174具抗性的菌株，再讓多種AI設計噬菌體組成的混合群體接受連續傳代。這些群體在一至五次傳代內突破三種菌株的抗性，天然ΦX174則未能做到；成功者是多項設計經重組形成的嵌合基因組，顯示AI產生的多樣性可為後續演化提供較寬廣的起點。

不過，這不是已可治療抗藥性感染的產品。研究只在少數實驗室大腸桿菌株中完成，突破抗性還依賴傳代與重組，尚未回答噬菌體在動物或人體內的安全性、免疫反應、藥物動力學與穩定製造等問題。成果目前代表的是全基因組設計及體外功能驗證，而非臨床療效。

研究人員刻意排除感染人類及其他真核生物的病毒訓練資料，採用非致病宿主，並加強實驗室隔離與廢棄物處理。這些措施降低了本次工作的風險，卻不能證明所有未來模型都會遵守相同界線。研究主持人也指出，當時的方法仍需要可觀的專業知識、時間與實驗能力，尚未明顯降低製造危險病毒的門檻。

真正棘手的監管問題在序列離開模型、進入DNA合成環節之後。部分供應商的生物安全篩檢仍屬自願性質，而傳統系統多依賴與已知病原序列的相似程度；AI生成、與天然病毒差異較大的基因組，可能較難被這類方法辨識。若全基因組設計持續進步，治理焦點便不能只放在模型訓練資料，還須涵蓋訂單篩檢、客戶驗證、功能風險評估及實驗室管控，才可能在治療潛力與濫用風險之間建立可執行的防線。