EVO 2
PulseAugur coverage of EVO 2 — every cluster mentioning EVO 2 across labs, papers, and developer communities, ranked by signal.
- 2026-08-07 research_milestone Stanford researchers used the EVO 2 AI model to design and synthesize novel bacteriophages effective against E. coli. 来源
- 2026-08-07 research_milestone Stanford researchers used the EVO 2 AI model to design novel bacteriophages that showed significant E. coli-killing activity in laboratory tests. 来源
3 天有情绪数据
-
AI现可设计新型、难以检测的病毒，引发生物安全警报
研究人员已证明，生成式AI可以从头开始设计功能性病毒基因组，这一能力引发了重大的生物安全担忧。斯坦福大学和Arc Institute的一个团队使用包括Radical Numerics首席执行官Eric Nguyen开发的EVO 2在内的AI模型，创建了感染细菌的新型噬菌体。虽然这些特定的病毒不会伤害人类，但其底层技术允许创建“深度伪造”病毒，这些病毒可以通过微妙地改变其遗传序列同时保持有害功能来规避检测系统。这一进展凸显了AI在合成生…
-
斯坦福大学AI模型EVO 2设计新型噬菌体以对抗大肠杆菌
斯坦福大学的研究人员利用其 EVO 2 AI 模型设计了能够靶向并杀死大肠杆菌的新型噬菌体。该人工智能生成了数千个潜在的噬菌体基因组，从中选择了 16 个进行实验室合成和测试。这些合成的噬菌体在大肠杆菌（包括对抗现有疗法产生耐药性的菌株）中表现出显著的疗效，凸显了人工智能在对抗抗菌素耐药性方面的潜力。
-
AI设计具有独特遗传特征的新型病毒 · 跟踪2个来源
研究人员已成功使用大型基因组模型（类似于大型语言模型，但经过DNA序列训练）来设计新型噬菌体（感染细菌的病毒）。这些AI生成的病毒在与现有菌株密切相关的情况下，表现出显著的进化新颖性。名为Evo 1和Evo 2的模型被提示创建具有现实结构和特定宿主靶向能力的基因组，并已通过实验确认了16种可行的噬菌体。这一进展引发了对未来类似AI设计靶向脊椎动物的病毒的担忧。
-
AI设计新型病毒以对抗细菌，引发生物武器担忧 · 追踪10个来源
科学家利用AI模型（特别是Evo 1和Evo 2）设计并合成了16种能够感染和消灭细菌的新型病毒。这些AI生成的病毒在基因上与自然发生的病毒不同，在实验室测试中对耐抗生素的大肠杆菌菌株显示出有效性。虽然这项研究为开发针对细菌感染的新疗法带来了希望，但它也引发了对潜在的生物武器滥用问题的严重担忧，凸显了当前生成式基因组学治理和安全协议的不足。
-
Evo 2 DNA 模型高精度识别 AMR 基因
已开发出一种新的轻量级探针 Evo 2，用于直接从原始宏基因组数据中检测抗菌素耐药性 (AMR) 基因。该方法无需昂贵的基因组组装步骤，ROC-AUC 评分为 0.977，准确率很高。Evo 2 DNA 基础模型旨在有效识别这些耐药性标记。
-
基因组AI模型在生物安全筛查方面展现潜力
研究人员通过在 Evo 2 的冻结激活上训练最小的线性探针和注意力探针，探索了其作为基因组基础模型的生物安全筛查能力。这些探针在抗菌素耐药性（AMR）方面表现出强大的区分能力，线性探针的区域级 ROC-AUC 达到 0.888，注意力探针达到 0.977。探针也能解码细菌毒力，尽管效果稍差，并且在未重新训练的情况下，在模拟的短读序列上保持了可比的性能。这表明轻量级的基于嵌入的探针可以作为宏基因组生物监测的有效初始检测层。
-
基因组 AI 探针检测宏基因组数据中的生物安全威胁
研究人员开发了轻量级探针，利用 Evo 2 等基因组基础模型筛选宏基因组数据中的生物安全威胁。这些探针在冻结模型激活上进行训练，能够以高精度检测抗菌素耐药性 (AMR)，其中注意力探针的 ROC-AUC 达到 0.977。该方法在识别细菌毒力方面也显示出潜力，并且能够有效地处理模拟的短读序列，为生物监测提供了一种快速且经济高效的方法。
-
NVIDIA BioNeMo Agent Toolkit 为生命科学研究中的 AI 代理提供支持
NVIDIA 推出了 BioNeMo Agent Toolkit，旨在将其加速 AI 功能集成到生命科学研究工作流程中。该工具包允许 AI 代理（例如 Anthropic 的 Claude Science 平台中使用的代理）访问和利用专门的 NVIDIA 模型和微服务，以完成药物发现和蛋白质分析等任务。此次集成旨在简化复杂的科学流程，使研究人员能够使用自然语言来编排端到端工作流程并加速计算任务。
-
AI-DNA初创公司Radical Numerics获得5000万美元种子轮融资
由开发DNA生成AI模型的初创公司Radical Numerics的研究人员创立，该公司已获得5000万美元的种子轮融资。公司旨在通过教会AI同时理解和生成DNA、RNA和蛋白质等各种生物分子来彻底改变生物学。他们的技术已被用于创建首个完全由AI设计的活性病毒，并正在探索在癌症检测和病原体表征方面的应用，同时也关注生物武器的潜在风险。
-
AI 实现 DNA 编程，数据循环是关键优势
AI 正在实现 DNA 的编程，超越了 ChatGPT 等文本模型。研究人员将基因组视为一种语言，使用 Transformer 架构来预测和自动补全基因序列。然而，真正的优势不在于模型本身，而在于专有的数据循环，它将 AI 预测与现实世界的实验结果相结合，Earli 开发癌症疗法的方法就是例证。
-
AI利用基因组语言模型设计出新型、可行的噬菌体
研究人员成功利用基因组语言模型 Evo 1 和 Evo 2 生成了新型、可行的噬菌体基因组。这些基于 ΦX174 噬菌体的 AI 设计基因组产生了 16 种具有独特进化特征的功能性噬菌体。其中一些新噬菌体与原始噬菌体相比，表现出更强的适应性和更快的裂解动力学，这表明 AI 在设计用于噬菌体疗法等应用的生物系统方面具有潜力。
-
AI解读蛋白质模型以检测生物风险
研究人员开发了一种名为SAEBER的新方法，利用稀疏自编码器（SAEs）来分析RFDiffusion3和RoseTTAFold3等蛋白质设计模型。该技术识别模型中与设计毒性或有毒蛋白质的可能性相关的特征。虽然在毒性分类方面并未超越当前最先进水平，但SAEBER通过提供结构化、特征层面的解释，为理解和潜在控制有害蛋白质的生成提供了一种新颖的方法。
-
AWS 支持药物发现和患者护理的多模态人工智能模型
Amazon Web Services (AWS) 正在支持使用多模态生物基础模型 (BioFMs) 来整合和分析多样化的医疗保健数据流。这些先进的人工智能模型预先在广泛的生物数据集上进行了训练，可以同时处理文本、图像和遗传信息等多种数据类型。通过克服传统碎片化数据分析的局限性，这种方法旨在为药物发现、临床开发和个性化医疗提供更深入的见解。