基因开关：先安家，再干活

Switch Bioworks 的设计核心是「基因开关」。微生物被施入土壤后，先进入生长和定植阶段，在植物根系周围稳定建立群落；随后开关被触发，微生物转入固氮模式，开始为作物提供生长所需的氮。这种「先定植、后产氮」的两阶段策略，试图解决过往微生物菌剂在田间表现不稳定的老问题。

田间试验与模型估算

公司目前在美国六个州开展产品田间试验。MIT TR 指出，由于试验尚处早期，田间实际效果还有待观察；但公司的建模结果显示，这类微生物最终有望替代约 50% 的合成化肥。化肥生产本身是高能耗、高排放环节，若能削减一半用量，对降低农业碳足迹意义明显。

更大的图景：植物与微生物作为一个系统

报道提到，合成生物学正把作物与其根际微生物视为一个可整体设计的「系统」。通过编辑植物自身招募微生物的基因，同时改造细菌、真菌等微生物的功能，科学家希望让作物在需要时「召唤」对应的微生物伙伴，实现更稳定的养分供给。相关综述也指出，AI 与机器学习正被用来预测不同环境下的植物—微生物互作，辅助筛选最佳组合。

对中国读者的参考

中国是全球最大的化肥生产与消费国，减量增效一直是农业绿色转型的重点方向。微生物肥料、合成菌群等方向在国内科研院所也有持续投入，例如围绕植物—微生物—土壤互作的系统设计研究。不过这类技术要真正在复杂田间稳定发挥作用，仍依赖长期定位试验与生态安全评估。Switch Bioworks 的路线提供了一个值得关注的工程化思路，但其田间效果仍需时间验证。

一支来自斯坦福大学与加州帕罗奥图非营利研究机构 Arc 研究所的团队，借助人工智能模型 Evo，设计出了自然界中从未存在过的病毒基因组。相关论文发表在 2026 年 8 月的《科学》（Science）杂志上。

Evo 是一款专为生物遗传物质训练的”基因组语言模型”。与阅读人类文本的 ChatGPT 不同，Evo 读取的是各种生物体的 DNA 与 RNA 序列。研究团队介绍，Evo 在训练中扫描了约 9 万亿个核苷酸，数据来自动物、植物、微生物和病毒等数百万种生命形式，借此学会了生命遗传密码中隐藏的”语法规则”。

从 70 万个方案到 16 种活病毒

研究人员以噬菌体 Phi-X174 为起点。这种仅感染大肠杆菌的单链 DNA 病毒，科学界已研究近百年。他们让 Evo 学习 Phi-X174 及其约 1.5 万个”近亲”的序列，随后要求模型写出全新的版本。

Evo 一口气生成了约 70 万个候选病毒基因组。团队筛选出最有希望的方案，将其中的 285 个左右合成并接入大肠杆菌进行培养，最终有 16 种成功存活、能够自我繁殖。

其中一些新病毒表现出了意料之外的能力：几种的繁殖速度比原型 Phi-X174 更快；还有一种在演化关系上已与本体相距甚远，相当于人工智能在极短时间内，完成了自然演化可能需要数百万年才会出现的变化。更令研究者振奋的是，把几种新病毒混合使用，竟能杀死已经对抗生素产生耐药性的大肠杆菌菌株，为对抗日益严峻的耐药菌问题提供了新思路。

“这是一个重要的里程碑，”未参与该研究的曼彻斯特大学合成生物学家 Patrick Cai 评价道。斯坦福研究生、论文作者之一 Samuel King 则表示，尝试让人工智能设计完整病毒基因组”似乎是很自然的一步”。

医学希望与安全担忧并存

目前这些新病毒都只感染细菌，不会侵染人类或动植物。研究者在训练 Evo 时，也特意剔除了可感染动植物和人类的病毒数据，把风险控制在窄范围内。

但《科学》同期配发评论文章指出，这项突破同时带来了紧迫的生物安全隐忧。约翰斯·霍普金斯大学健康安全中心的专家在评论中写道：”用生成式人工智能编写病毒基因组的能力已经存在，而安全引导它的治理体系尚未建立。”

部分专家担心，若有人窃取致命病毒基因组并交由人工智能改写，可能制造出人类缺乏防御手段的新病原体。不过多位学者认为当前风险有限：70 万个方案中仅有 16 个成功，且这些病毒只能感染大肠杆菌，从数字设计到真实病毒还需经过合成与严格实验，门槛不低。

研究者强调，真正需要的是多层级安全保障——加强基因库安保、对生物人工智能模型的输入与输出设限、完善科研审查，并要求 DNA 合成机构对客户提交的序列进行筛查。技术本身不分好坏，关键在于如何使用。

从基因组语言模型到活的病毒

主导这项研究的，是斯坦福大学化学工程学者 Brian Hie 及其团队。他们借助 Evo1 与 Evo2 两套「基因组语言模型」来设计噬菌体的完整基因组——这两套模型可以视作生物版本的聊天机器人大模型，只不过它们学习的是 DNA 序列而非人类语言。

训练数据来自约 200 万条噬菌体基因组。研究者在训练时有意排除了能够感染植物、人类及其他动物的病毒序列，以降低模型产出危险病毒的风险。AI 据此生成了数千个候选基因组，研究者从中挑出近 300 个在实验室里合成，并注入细菌，由细菌「照单生产」出新的噬菌体。

这个过程效率并不高：最终只有 16 个噬菌体被证实可以存活，但把它们混合后，却迅速突破了两种耐药大肠杆菌菌株的防线。研究团队在论文中写道，能够「快速设计」基因组并针对特定菌株进行微调、同时克服耐药性的能力，有望「重塑噬菌体疗法」，并拓展整个生物技术的工具箱。

生物安全警钟同时敲响

在论文配发的评论文章中，约翰斯·霍普金斯大学健康安全中心的 Tom Inglesby 与 Moritz Hanke 两位学者强化了警告：「虽然这对生命科学研究充满希望，但它同样提出了紧迫的生物安全与生物防御问题。用生成式 AI 拼装病毒基因组的能力现在已经存在，而安全引导它的治理机制还不成熟。」

这样的基因组可能编码出新型病原体，而现有手段无法将其控制。

研究者自己也在论文中承认，这项工作带来了「重要的生物安全、生物防护与生物防御考量」，并呼吁所有设计完整基因组的人「在整个项目过程中都要咨询安全与防御专家」。

伦敦帝国理工学院的 Tom Ellis 教授认为，这项研究确实令人印象深刻，但也暴露出设计更复杂基因组有多难：「这可以说是最小、最容易造的基因组。」他同时提醒，一个在危险病原体基因上训练出来的 AI 确实可能被用来设计更有害的病毒，但控制基因数据访问、对疑似危险的基因组设限会有帮助。不过他也直言，比起用 AI 从零写病毒，直接拿现成病原体做「功能增益」式改造要容易得多，那才是更现实的危险。

伦敦国王学院的 Filippa Lentzos 则把视线拉到更宏观的治理层面：「最重要的是在 DNA 被制造的那一刻介入。」她主张分层监管：模型开发与访问要设防、研究评审要尽责、合成环节要筛查，再加上实验室层面的生物安全规范。

这场研究与警示，恰好把「AI 能力跑在治理前面」的命题摆上了台面：当设计病毒基因组的门槛因 AI 而骤降，如何让它止步于治病而非造病，正成为科学界与监管者必须共同回答的问题。

来源：The Guardian、Science