En bekräftad milstolpe, inte en ny upptäckt
Torsdagen den 6 augusti 2026 publicerade den kollegialt granskade tidskriften Science en studie som beskriver den första generativa AI-designen av kompletta, fungerande bakteriofaggenom, ledd av Brian Hie, biträdande professor vid Stanford University och Innovation Investigator vid Arc Institute. Den som minns liknande rubriker från förra året har inte fel.
Samma forskningsmetod dök först upp som en preprint på servern bioRxiv i september 2025, nästan ett år före denna veckas publicering. Det som ändras denna vecka är inte den underliggande vetenskapen, utan att arbetet nu har klarat formell kollegial granskning i en av världens två mest ansedda vetenskapliga tidskrifter, vilket betyder att oberoende experter har granskat metoder och resultat före publicering, i stället för att man litade enbart på ett enda laboratoriums egen redogörelse.
Hur Evo 1 och Evo 2 designade levande genom
Teamet använde två AI-modeller för genomspråk, Evo 1 och Evo 2, en del av Arc Institutes Evo-modellserie. Båda hade redan tränats brett på över 2 miljoner faggenom, och forskarna finjusterade dem sedan specifikt på 14 466 sekvenser från virusfamiljen Microviridae.
Målet var bakteriofager som infekterar Escherichia coli C, en icke-patogen laboratoriestam som används rutinmässigt inom biologi och som inte utgör någon fara för människor eller djur. Som referensmall arbetade modellerna utifrån phiX174, en liten naturlig fag med ett genom på 5 386 nukleotider som kodar för 11 gener och som i decennier har tjänat som modellorganism inom biologin.
Från tusentals designer till 16 fungerande virus
AI:n genererade och filtrerade tusentals kandidatgenomsekvenser ner till nästan 300 designer. Forskarna syntetiserade och satte sedan fysiskt samman 285 av dem i laboratoriet, och tillväxthämmande och infektivitetstester bekräftade att 16 av dem var fullt fungerande virus, det vill säga att de faktiskt infekterade och dödade målbakterierna.
Dessa 16 fungerande genom bar mellan 67 och 392 nya mutationer jämfört med sin närmaste kända naturliga släkting. Evo-Phi2147 bar 392 mutationer och bara 93,0 procent sekvensidentitet med sin närmaste naturliga släkting, fagen NC51, och tretton av de sexton fungerande genomen innehöll mutationer som inte finns i någon känd naturlig sekvens. En annan design, Evo-Phi36, kombinerade framgångsrikt ett DNA-förpackningsprotein lånat från en mer avlägset släkt fag som kallas G4, en kombination som tidigare hade besegrat mänskliga forskares egna rationella designförsök; vissa AI-designade fager dödade E. coli lika bra som, eller bättre än, den naturliga referensfagen phiX174, och blandningar av designade fager visade sig också vara effektiva mot E. coli-stammar som redan hade utvecklat resistens mot phiX174 själv.
Säkerhetsdesignen som redan fungerar
Det mest avgörande designvalet är det som Evo-modellerna inte kan göra: de kan inte generera mänskliga virussekvenser, eftersom den datakategorin medvetet uteslots från deras träning från början. Denna uteslutning är tänkt att förhindra både oavsiktligt och avsiktligt missbruk för att designa patogener som är farliga för människor, och i denna studie användes uteslutande icke-patogena bakteriella värdar.
Denna åtskillnad spelar roll eftersom den skiljer åt två olika frågor som ofta blandas ihop i rapportering om AI och biologi: om själva modellen kan styras mot fara, och om det fysiska resultatet av en säker modell ändå kan orsaka skada längre ner i kedjan. Här har den första frågan redan ett strukturellt svar inbyggt i systemet; i den andra finns denna veckas verkliga nyhet.
Den verkliga luckan: vem som utför ordern
I en åtföljande Perspective-essa i samma nummer av Science krävde Thomas Inglesby och Moritz Hanke vid Johns Hopkins Center for Health Security lagstadgad screening av ordrar på syntetiskt genetiskt material för potentiellt farliga sekvenser, i stället för att lämna den screeningen till frivillig branschpraxis. Deras poäng handlar inte alls om Evo, utan om det företag som tar emot en order och fysiskt syntetiserar DNA:t, oavsett vilken AI-modell eller mänsklig designer som ursprungligen tog fram sekvensen.
Det är den detalj som EU:s och Storbritanniens beslutsfattare, som utarbetar biologiska riskbestämmelser i AI Act och exportkontroller för dubbla användningsområden, bör ägna sig åt. En modell som vägrar generera farliga sekvenser är bara ett skyddslager, och denna veckas Perspective-essa pekar ut det lager som dagens regler ännu inte täcker på ett tillförlitligt sätt: syntessteget som omvandlar varje AI-genererad design, från detta laboratorium eller något annat, till ett faktiskt fysiskt genom. Vi påstår inte vad EU:s eller brittisk lagstiftning exakt kräver på denna punkt idag, bara att forskarnas egen kommentar pekar tillsynsmyndigheter rätt mot denna fråga.
Läs vidare: Shopify: AI-sök tredubblar beställningar | 4 000 appar på 30 dagar: Cloudflares AI-satsning
