
在偏远地区调查疫情,研究人员需要尽快分析采集的样本里有哪些病原体。便携式测序仪已经可以随队带到现场,但测出的数据如果要上传远程服务器分析,断断续续的网络就会让等待时间大幅拉长。
如何压缩分析时间,争取机会拯救更多生命?近日据《连线》(WIRED)消息,一家名为 Radical Numerics 的美国生物 AI 初创声称,即便在网络环境不稳定的野外采样地点,他们的 AI 生物防御工具 Omnii Defense 也能在本地分析生物序列,标记出可能与病原体有关的信号。
在样本对比中,现有工具大多依赖数据库中的相近对象,而 Omnii Defense 正在尝试利用模型学到的生物规律,从复杂的测序数据中找出与已知病原体差异很大、却可能保留相关生物功能的序列,帮助检测人员进一步缩小调查范围。
已知序列之外的检测难题
生物检测经常从寻找相似性开始:研究人员获得样本的遗传序列,将其与参考数据库比较,再根据匹配结果判断样本中可能有哪些生物。匹配对象越充分,序列来源就越容易解释。
随着生物设计能力增强,序列相似性与实际功能之间的关系成为新的研究重点。部分蛋白质序列变化之后,分子仍可能保留相近的结构或作用。检测工具需要判断这些差异究竟改变了哪些功能,仅凭与已知序列的相似性对比很难覆盖全部情况。
2025 年 10 月,《科学》(Science)发表的一项研究已经指出了这一问题。微软(Microsoft)等机构的研究者发现,开源 AI 蛋白质设计工具生成的部分序列会绕开筛查工具。研究团队随后开发并部署补丁,提高了对这类序列的检出能力。
在生物安全领域,美国国家标准与技术研究院(NIST)等机构研究者又发表论文,进一步提出基于功能的核酸合成筛查。研究者建议,将功能预测与已有序列筛查结合,先针对定义清楚的危险功能建立模型,再逐步扩大覆盖范围。
一年多前,曾参与 Evo 系列基因组模型开发的部分核心成员创办了 Radical Numerics,将生物 AI 设计与生物防御作为两条研发主线,并于 2026 年 6 月完成 5,000 万美元种子轮融资。
其核心模型 Omnii-1 是多模态基因组语言模型,预训练覆盖遗传序列、蛋白质、基因表达、甲基化等约 28 类生物信息,并将细胞类型和组织背景纳入考量。
这些数据既包括遗传信息的排列方式,也包括特定序列在特定环境中会发挥怎样的作用,模型可以从中学习序列变化与实验结果之间的联系,再将学到的特征用于具体任务。
2026 年 10 月,Radical Numerics 声称,使用 Omnii-1 设计的噬菌体变体已在同情用药(compassionate use)框架下被用于一名耐药细菌感染患者,这也是被其称为首个进入人体的 AI 设计生物体案例。不过该案例仍属早期探索,尚未形成常规临床数据。
生物基础模型从大量数据中学习序列与分子性质之间的联系,这为识别缺少近缘参考的对象提供了另一条路径。Omnii Defense 要做的,正是尝试把这类能力接入合成筛查和病原体监测。
围绕生物防御,团队首先训练了用于蛋白质检测的分类模块,判断输入序列是否与潜在致病功能有关。面对环境样本中的测序短片段,团队又通过知识蒸馏等训练,开发出较轻量的分类和检索模型,识别可能来自人类感染性病毒的读段。
读段是测序仪读取的遗传序列片段,知识蒸馏则将较大模型学到的能力转移给较小模型,降低运行所需的计算资源。训练好的模型和分析程序预先部署在笔记本上,测序仪通过数据线传入数据,电脑便能在本地完成分析,无需连接远程服务器。
图 | 左侧显示测序进度,右侧为 Omnii Defense 的筛查与分类结果。(来源:Radical Numerics)
完成任务适配后,研究人员分别用蛋白质序列和病毒测序片段检验模型。
在利用 AI 生成、与原始序列存在较大差异的变体进行蛋白质测试时,研究人员根据计算预测的结构等指标筛选可能保留功能的候选,并加入预测不能维持功能的变体和非病原相关蛋白,检查模型能否将它们区分开。
公开数据显示,在这组测试中,Omnii-1 的召回率(Recall)达到 95.8%,通用蛋白质序列比对工具 DIAMOND 为 78.6%;两者的精确率(Precision)分别为 63.8% 和 64.9%。即 Omnii-1 在相近的精确率下,找出了更多需要关注的序列。
病毒测试进一步考察模型面对陌生对象的表现。团队选择了登革热病毒和邦迪布焦病毒(Bundibugyo virus,一种可引发埃博拉病的病毒)作为基础,从天然病毒基因组模拟生成测序短片段,再逐步从训练数据和参考数据库中排除目标物种及其整个属,并重新训练相应版本的模型。随着近缘信息减少,系统需要更多依靠从其他生物数据中学到的特征完成识别。
在排除整个属的条件下,模型与已有分析流程结合,找回了 44.6% 的登革热病毒读段对,以及 22.0% 的邦迪布焦病毒读段对;对照流程对两种病毒的找回比例均不足 0.1%。这表明,即使缺少近缘参考,模型仍能提供一部分病毒来源线索,扩大后续调查的范围。
为检查整套工具能否在网络不稳定或要求数据留在现场的环境中正常运转,研究人员将便携式测序仪接到一台配备 M3 Max 芯片、128GB 内存的 MacBook Pro 上,把测序、序列识别和模型分析串联起来,全程本地运行。
图 | 研究人员在本地部署测试中,将便携式测序仪连接笔记本电脑。(来源:Radical Numerics)
这次测试使用环境样本的测序数据,并在读段中加入关注序列,观察系统能否从复杂背景中找出目标。分析界面同时显示测序进度、标记出的读段、功能分类和可能的生物来源,研究人员可以据此选择优先检查的对象。
在公司展示的一轮数据回放测试中,系统将 2,672 条测序读段分成 30 批处理。数据以原始记录一半的速度持续输入,历时 20 分钟;输入结束后约 35 秒,笔记本完成剩余分析,输出了全部批次的结果。
公司表示,他们希望将这套能力接入两个环节:在核酸合成之前,帮助服务商审查提交的序列;在样本采集之后,帮助监测人员从测序数据中寻找新出现或经过改造的生物威胁。前者可以通过在线服务开展批量筛查,后者则可以利用离线部署,在采样地点完成初步分析。
目前,Omnii Defense 向经过审核的外部测试者开放,公司正与国家实验室、政府机构及其他评估方开展验证。接下来的研发将继续提高分类精度,并通过实际运行测试,将模型输出接入合作机构的筛查流程。
从发现信号到提前准备应对手段
检测工具正在向采样现场靠近,另一批公司则把防御工作推进到药物设计端,希望在新威胁出现之前准备更多应对手段。获得 OpenAI 投资的红皇后生物公司(Red Queen Bio)是其中一个代表。
2025 年 11 月,红皇后生物公司公布 1,500 万美元种子轮融资,由 OpenAI 领投。公司从一家研发信使核糖核酸(mRNA)疗法的企业分拆而来,将模型、实验室自动化与生物药制造结合,用于评估新兴威胁并研发医疗应对手段。
“红皇后”取自演化生物学中的红皇后假说(Red Queen Hypothesis),强调物种与不断变化的对手共同演化。公司将其思路概括为防御能力同步扩展:随着前沿模型能力增强,用于防御的计算资源和资金也应同步增加,使药物研发能够跟上风险变化。
抗体是这条路线的具体落点,今年 1 月,抗体技术公司 AbTherx 宣布与红皇后合作,将其能够产生人源抗体的转基因小鼠平台,与红皇后的免疫和人工智能抗体开发流程结合。双方称,合作已产生初步的动物体内抗体数据,相关结果用于筛选并推进候选抗体。
这里形成了一条贯穿实验数据与模型设计的路线:动物实验提供能够识别目标的抗体及测量结果,人工智能参与后续设计,研究团队再对候选进行验证。红皇后关注的交付物是医疗应对手段,与 Omnii 侧重发现可疑序列的工作处在防御体系的不同位置。
据《华尔街日报》(The Wall Street Journal)9 月报道,红皇后当时累计融资 3,600 万美元,计划于 2027 年启动针对禽流感及其他流感病毒的抗体药物人体临床试验。公司把尚未出现的潜在威胁纳入研发目标,同时从流感等已有明确研究对象的方向推进药物开发。
监测机构也在尝试缩短从采样到预警的时间,非营利生物安全机构 SecureBio 8 月宣布获得 OpenAI 基金会(OpenAI Foundation)1,720 万美元资助,目标是通过优化样本运输、自动化实验准备和改进数据处理流程等手段,将采样到可行动结果的时间从 14 天压缩至 3 天。
AI 正在扩大人类探索和改造生物系统的能力,在这一背景下,生命科学需要同时回答两个问题:我们能够创造什么,以及我们如何应对这些创造带来的影响?更强的设计能力,需要由相应的检测、研究和公共卫生能力共同支撑。
从检测陌生序列,到持续采样和抗体研发,生物防御的投入正在进入更具体的技术环节。对于偏远地区的疫情调查人员,重要的是能否及时弄清样本里有什么;对于面临感染的人,重要的是能否及时获得有效的治疗。生物 AI 的价值,也应当用这些实际变化来衡量。
参考资料:
https://www.radicalnumerics.ai/blog/omnii-defense-api
https://www.wired.com/story/startup-fights-ai-bioweapons-with-ai/
https://doi.org/10.1126/science.adu8578
https://www.abtherx.com/abtherx-and-red-queen-bio-partner-on-therapeutic-antibody-discovery/
https://www.wsj.com/health/this-startup-is-using-ai-to-fight-off-a-future-ai-pandemic-aceedf1b
https://securebio.org/blog/three-day-early-warning-system/
运营/排版:何晨龙
注:封面/首图由 AI 辅助生成







