AI ontwerpt 16 virussen die E. coli doden
Een AI-model heeft complete virusgenomen geschreven die in het lab werken. Onderzoekers van Stanford en het Arc Institute meldden op 6 augustus in Science dat zestien door AI ontworpen bacteriofagen erin slaagden E. coli te doden. Het is de eerste keer dat een generatief model een volledig functionerend viraal genoom aflevert.
Van startsequentie naar werkend genoom
Het team zette de genoomtaalmodellen Evo 1 en Evo 2 in. Die kregen een kort stukje van ΦX174 als prompt, een faag met een genoom van 5.386 basenparen, en schreven daar letter voor letter nieuwe genomen bij. Niemand gaf op welke genen erin moesten of hoe de eiwitten eruit moesten zien. Het model werkte in één doorloop van links naar rechts, zoals een taalmodel een zin afmaakt.
Uit ongeveer 700.000 kandidaat-genomen selecteerde de groep er 302 voor synthese. Daarvan kwamen er 285 daadwerkelijk uit de bouwstap, en na inbrengen in E. coli bleken er zestien tot leven te komen. Een trefkans van 5,6 procent. Volgens Stanford Report doen sommige van die AI-fagen het even goed als of beter dan het natuurlijke ΦX174.
Waarom resistentie hier het punt is
Het opvallendste resultaat zit in de combinatie. Een cocktail van alle zestien fagen brak de weerstand van drie E. coli-stammen die al immuun waren geworden voor het natuurlijke virus. Dat raakt precies de reden waarom faagtherapie in de praktijk vastloopt: bacteriën passen zich sneller aan dan onderzoekers nieuwe fagen kunnen vinden. Een model dat in dagen honderdduizenden varianten uitschrijft verandert die rekensom. Het past in een bredere beweging waarin AI het laboratoriumwerk zelf overneemt, van codeeragents die genomica-software versnellen tot modellen die meedraaien in medicijnonderzoek.
Het toezicht loopt achter
De onderzoekers namen een reeks voorzorgen. Virussen die eukaryoten infecteren werden uit de trainingsdata gehouden, er werd gewerkt met een niet-pathogene faag en een niet-pathogene E. coli-gastheer, en het werk vond plaats in een beveiligd lab. ΦX174 is daarbij het kleinste en simpelste genoom dat je kunt synthetiseren, wat de oefening beperkt houdt.
Toch trekken Thomas Inglesby en Moritz Hanke van Johns Hopkins een scherpe conclusie: het vermogen om virale genomen met generatieve AI samen te stellen bestaat nu, het bestuur om dat veilig te sturen nog niet. Het recente gain-of-functionbeleid van de Amerikaanse NIH zondert computationeel ontwerpwerk uit zolang er geen partij van zorg bij betrokken is. Anderen zijn nuchterder. Tom Ellis van Imperial College London wijst erop dat het aanpassen van een bestaande ziekteverwekker nog altijd makkelijker is dan er een vanaf nul ontwerpen, en Hsu Li Yang in Singapore noemt de benodigde labcapaciteit een forse drempel. Dezelfde spanning speelde eerder rond open modellen en biorisico en rond OpenAI dat een model achter slot zette vanwege cybercapaciteiten.
Wat betekent dit
Voor de geneeskunde is dit concreet nieuws. Resistente bacteriële infecties kosten wereldwijd honderdduizenden levens per jaar, en een methode om binnen weken nieuwe fagen te ontwerpen geeft artsen iets waar ze nu op wachten. De stap van 5,6 procent werkende ontwerpen naar een goedgekeurde behandeling is nog groot, met alle klinische toetsing die daarbij hoort.
Voor beleidsmakers ligt er een ongemakkelijker punt. De screeningsystemen bij DNA-synthesebedrijven zijn gebouwd om bekende gevaarlijke sequenties te herkennen. Genomen die nooit eerder hebben bestaan glippen daar per definitie doorheen. Zolang toezichthouders alleen kijken naar wie er in een lab staat en niet naar wat een model op een laptop uitschrijft, blijft dat gat open.
