Omnii-1 把 AI 噬菌體送進病患，公開證據停在實驗室那一端

用 AI 摘要這篇文章：

ChatGPT Claude Perplexity Google Grok

台北時間 10 月 21 日凌晨 0 時 25 分，新創公司 Radical Numerics 的共同創辦人兼執行長 Eric Nguyen 在 X 發文，介紹該公司的基因體語言模型 Omnii-1，文中寫著一句「世界首例」：Omnii-1 設計的噬菌體，已經施用於一名抗生素抗藥性感染的病患。公司在前一天就已把完整的公告放上官方部落格：一個模型、八項應用、數十個評測數字，外加一篇專文交代噬菌體與病患案例的來龍去脈。

先把可以防守的判斷說清楚：這次宣稱裡可驗證的部分，全部停在實驗室那一端。設計出來的噬菌體變體能被回收、活性高於野生型、在培養皿裡消滅病患身上的抗藥性菌株，這些都有官方文件與數字支撐；但從「施用於病患」那一刻起的每一件事，外界一無所知，連病況往哪個方向走都沒有透露。管線打通與療法成立是兩件事，這家公司自己也在文件裡承認後者還遠得很。

Pin

值得放在旁邊對照的脈絡是：這個團隊就是做出基因體語言模型 Evo 的那批人。兩個多月前，AI 生成噬菌體還停在證明「做得出來、活得下去」的階段，對象是基因組只有 5,400 個鹼基的 ΦX174；這次 Omnii-1 動的是基因組大了七倍以上的 T7，而且一路走到人體。同一條研究線在這麼短的時間內從培養皿推到病床，本身就是這則新聞最硬的內容。

這則新聞跟三種人最有關：基因體與生物資訊研究者（多了一個能申請的研究預覽）、噬菌體療法與感染科團隊（設計與宿主預測多了新工具），以及追蹤 AI 生物安全治理的政策工作者（這家公司把治療與防禦綁在同一個模型上賣）。一般讀者不需要做任何事：模型沒有開放下載，噬菌體療法也仍屬試驗性療法，不是可以掛號的選項。

「世界首例」落在哪條線上：生成與修飾的分界

要讀懂「AI 設計的噬菌體第一次用於病患」這句話，得先分開兩代技術。

噬菌體（bacteriophage）是專門感染細菌的病毒，噬菌體療法就是用它們對付細菌感染。這條路其實有臨床前例：官方文件自己引用的 2019 年《Nature Medicine》案例，是研究團隊對「天然噬菌體」做基因工程修飾後，治療一名散播性分枝桿菌感染；2024 年《The Lancet Infectious Diseases》上的 LBP-EC01，則是加上 CRISPR 系統強化的噬菌體雞尾酒，走完了二期試驗的第一部分。這些進過人體的噬菌體，出發點都是自然界找來的噬菌體，人為改動是修飾。

AI 生成的噬菌體是另一回事：模型不是從一株天然噬菌體改幾個基因，而是直接提出一段新的序列設計。這條線的公開里程碑是 2026 年 8 月登上《Science》的論文，基因體語言模型 Evo 生成了 ΦX174 類噬菌體，證明 AI 設計的噬菌體基因組可以組裝、復活、具有感染力。但那篇論文停在實驗室，沒有碰病人。

Radical Numerics 的「世界首例」，指的就是這個交集：生成的設計第一次進入人體。T7 是生物學研究裡被刻得很深的大腸桿菌噬菌體，基因組約 4 萬個鹼基，是 ΦX174 的七倍以上；Omnii-1 動的區域是 T7 負責辨認細菌的尾纖維蛋白 gp17。從修飾到生成、從 5,400 個鹼基到 4 萬個鹼基，這是它與前例真正的差別。

不過「世界首例」四個字目前只有公司自己的說法。核准同情使用的監管機關是哪一國、哪家醫院、哪個菌種，官方全都沒有點名，也沒有獨立來源可以佐證施用確實發生。這句話要等到論文或監管紀錄出現，才能從「公司宣稱」升級成「可查證事實」。

病患案例：文件裡有什麼、缺什麼

官方噬菌體專文對病患案例的交代，值得逐句看。背景是抗生素抗藥性的規模：官方引用《The Lancet》2024 年刊出的全球負擔研究，2021 年與抗藥性相關的死亡估計約 470 萬人，2025 到 2050 年歸因於抗藥性的死亡預估將近 4,000 萬；噬菌體被當成抗生素失效時的候選出路，難點一直都卡在「為眼前這一株菌找到能用的噬菌體」。

Pin

文件寫的是：含有 Omnii-1 設計變體的混合噬菌體製劑，在實驗室測試中消滅了病患的抗藥性菌株（體外）；這份試驗性製劑隨後在「經授權、醫師主導的同情使用管道」下施用於病患。同情使用（compassionate use）指的是病況嚴重、沒有合適替代療法時，在臨床試驗之外使用試驗性療法，前提是相關政府監管機關設立的監督與安全要求。

文件也把不揭露的理由寫明了：為了保護病患隱私，不公開臨床病程與結果，因為即使少量臨床資訊都可能讓病患被辨識出來。接著是兩句很關鍵的自我設限，官方原話的意思是：這些試驗性療法尚未獲得監管機關批准供更廣泛臨床使用，而單一病患的觀察不能建立一般的安全性或療效。

商業上的接球方式寫在同一篇的結尾：公司正在找噬菌體治療中心、臨床醫師與醫院合作，臨床夥伴提供病患的菌株做篩選，候選通過驗證後，由公司與治療團隊一起製造針對個別病患的客製化劑量，再循包含同情使用在內的法規途徑施用。換句話說，這家公司把自己定位成噬菌體療法的設計與製造端，臨床責任留在醫療體系那一側。

換句話說，這份文件公開的證據鏈，在「施用」這個動作之前是完整的：設計有實驗數字、體外滅菌有實驗結果、施用有管道有名目。施用之後的部分，長度是零。沒有好轉或惡化的方向，沒有副作用紀錄，沒有追蹤期。讀者如果在新聞標題裡看到「AI 噬菌體救了病人」這類說法，那已經超出這份文件能支撐的範圍。

實驗室那一端的數字：能驗的都在這一側

設計端的實驗結果，官方給得相當具體。

回收率（recovery）是他們用的存活代理指標：把設計的基因組組裝、送進允許的宿主菌裡復活，看有多少設計被偵測到。實驗把設計按與野生型的距離分組，落在 11 到 15 個胺基酸這一組時，Omnii-1 的設計有 69.9% 順利復活，隨機對照組只有 4.8%；從 1 到 30 個胺基酸的各個區間，這個優勢都維持著。官方同時標註了指標的邊界：回收率只是存活的替代訊號，沒被偵測到的設計不一定無法存活，把 69.9% 直接讀成存活率是過度延伸。

活性資料同樣具體：測得到活性的 6,694 個變體中，超越野生型的有 2,161 個，其中包含與野生型相差最多 28 個胺基酸的設計；隨機對照裡能超過野生型的，最多只差 5 個胺基酸。也就是說，模型確實能在離野生型很遠、篩選工具摸不到的序列空間裡，找到還能做事的噬菌體。

宿主預測是另一條腿。噬菌體療法的老難題是「一株噬菌體只認得特定菌株」，要先找到能打敗病患身上那一株菌的噬菌體。在隨機留出的大腸桿菌菌株上，模型推薦名單的前兩名裡就至少有一株經實驗證實有效，這樣的菌株占符合條件者的 92.1%；更嚴格的測試把一整個 37 株的大腸桿菌演化支從訓練資料抽走，只需兩株噬菌體仍能觸及 91.4% 的符合條件菌株。這代表預測能力沒有只在近親菌株上成立。

跨物種的測試給了另一個訊號。綠膿桿菌（Pseudomonas aeruginosa）是傷口感染與囊狀纖維化患者肺部感染的常見病原，但它的實驗交互資料只有 7,308 筆，遠少於大腸桿菌的 32,681 筆。官方的作法是把大腸桿菌的交互資料也餵進去，綠膿桿菌本身的測量一筆都不加：平均精確度從 0.570 升到 0.608，超過專用工具 GenoPHI 的 0.581，而 GenoPHI 反而因為跨物種資料變差。對資料稀少的病原，這種把別的物種學到的關聯搬過來用的性質，比任何單一榜單名次都更有長期意義。

但設計能力並不均勻。在三株測試菌株裡，第三株的活性地景明顯更難：整個變體庫只有 4.5% 超過活性門檻，Omnii-1 排前一百的候選裡有 24% 超過，雖然是全庫的五倍以上，仍意味著面對某些菌株，可用的起點本來就稀少。對真正想導入這條管線的團隊來說，這個數字比 92.1% 更貼近日常。

八項應用與一張自家出的成績單

Omnii-1 本體是一個多模態基因體語言模型：官方說它在 28 種生物資料上預訓練，涵蓋 DNA、RNA、蛋白質、染色質可及性、轉錄因子結合、組蛋白修飾、DNA 甲基化、剪接與基因表現，並以細胞類型與組織作為條件，訓練規模是「數兆個詞元」。模型參數量、架構細節、授權條款一概未公開，「世界上最先進的多模態基因體語言模型」是廠商自己的形容。

Pin

同一個基礎模型經中期訓練與後訓練，被改造成八項應用：基因體調控預測、噬菌體設計、遺傳疾病、癌症診斷、生物防禦、稀土分離蛋白、抗體設計、癌症疫苗。每項都附了數字，而每項的口徑差異極大，直接並排比較沒有意義。幾個代表性的例子：

• 基因體調控：單一 CpG 甲基化預測與實測的皮爾森相關係數 0.879，官方稱超越 AlphaGenome 與 Borzoi。但基因體子頁有個少見的誠實註記：因為是商業實體、無法執行 AlphaGenome，比較分數直接取自其原始論文，不是自己重跑的。
• 遺傳疾病：近 1,800 組 GWAS 候選集中，90% 把功能變異排進前四；五個未解的先天性肌病個案裡，四個找到候選變異。同一套方法也用在 153 個帕金森氏症 GWAS 訊號上，每個訊號都提名了候選變異並附可檢驗的機制，例如預測 NUCKS1 基因的啟動子作用變弱，方向與獨立的表現量資料一致。候選仍需實驗驗證。
• 癌症診斷：預測基因變異對 5hmC（一種 DNA 修飾標記）的影響，相關係數 0.854，對照的定序覆蓋度只有 −0.057。這個資料型態來自 ClearNote Health 的檢測，模型預訓練時完全沒見過 5hmC，是後訓練才學會的；評估在 250 個留出位點、32 名留出病人上進行，加入模型特徵的分類器在 98% 特異度下提高早期偵測敏感度，官方明寫需要前瞻性篩檢研究才能確認臨床效益。
• 生物防禦：在 47,754 條序列的標註集上，把病原相關蛋白的召回率從 78.6%（只用 DIAMOND 比對）拉到 95.8%，精確率從 64.9% 微降到 63.8%。
• 稀土分離蛋白：609 個天然蛋白、105 組元素對，斯皮爾曼相關係數中位數 0.340，對最強的公開對照 ESM-C 6B 是 0.318。差距只有 0.022，且官方自己說生成的結合蛋白尚未經實驗驗證。
• 抗體設計：兩個設計的結合力低於量測極限（0.2 nM 以下）；327 個設計上表現量與效力預測的相關係數 0.359 與 0.273，官方只稱這是評估模型中的最高點估計，沒有提供信賴區間。
• 癌症疫苗：第一類 MHC 免疫原性預測 AUROC 0.750，對照單一專用預測器 BigMHC-IM 的 0.558。

這張成績單的正確讀法是：全部由公司自己執行、自己挑比較對象、自己選評測集，沒有外部複現。它們是值得檢驗的假說，也是這家公司遞給潛在合作方（醫療機構、生技公司、政府單位）的名片，還不是知識庫裡的定論。

存取面也反映了這個定位：Omnii-1 目前只有「研究預覽、申請存取」的入口，沒有模型權重、沒有授權條款、沒有定價；生物防禦功能則走「限制存取的 API」，只對審核過的夥伴開放。合作洽詢也分成兩個信箱：醫療側寫 [email protected]，防禦側寫 [email protected]，連聯絡方式都照著雙重任務切開。

治療與防禦綁在同一個模型上

這家公司最特別的地方，也許不是噬菌體，而是它把「能設計生物」與「能防禦生物威脅」放在同一個商業主體裡賣。

官方首頁把這叫雙重任務：推進生物智慧，同時強化生物防禦。理由寫得很直白：能帶來新藥與新設計的能力，也可能被誤用。防禦側的論點是傳統比對工具擅長找「像什麼」，但蛋白質序列變化很大之後功能可能仍在，所以篩查應該評「做什麼」；他們的測試裡，把整個病毒屬從訓練與參考資料庫都移除後，傳統流程找不回 0.1% 的模擬讀段，加上 Omnii-1 的系統找回了登革熱的 44.6% 與 Bundibugyo 病毒的 22.0%。

這套防禦能力建在該公司更早釋出的生物防禦預覽之上，範圍含改寫式病原偵測與病毒變異的適應度評分；47,754 條序列的標註集也包含對照組，避免只挑病原來充數。這個論點與設計能力是同一枚硬幣的兩面：一個能產生與天然序列差距很大、又活得下去的變體的模型，同時也證明了只靠相似度的篩查會漏掉這類序列。這是編輯推論，官方文件沒有把兩句話接在一起說，但接起來看，治理的張力比任何單項數字都大。

組織上，這家公司把防禦側武裝得很有形：10 月 19 日宣布兩位生物防禦顧問加入，一位是 Jill Hruby，前美國 Sandia 國家實驗室負責人；一位是 Paul Friedrichs，退役美國空軍少將、前空戰司令部軍醫總監。更早的 10 月 5 日，曾在美國國防部與戰略風險委員會任職二十年的 Christine Parthemore 出任生物防禦主管。防禦 API 除了雲端版，還示範了邊緣部署：一台 Oxford Nanopore MinION 定序器接著 MacBook Pro（M3 Max、128GB 記憶體）跑完整分析，目標是資源受限或受爭議環境裡的作業洞察。

商業背景補一句：這家公司 2026 年 6 月宣布 5,000 萬美元種子輪，投資人包括 Emergence Capital、Obvious Ventures，名單裡還有 Stripe 執行長 Patrick Collison。它的產品線也不只基因體，同公司的文生圖模型 Halcyon 幾天前才因「不做語言預訓練、用 275 分之一算力勝過擴散模型」的結果受到注意，TechMoon 先前介紹過。研究軌跡自述是 Hyena 長距離架構、Evo、Evo 2、再到 Omnii-1，四位共同創辦人裡，Eric Nguyen 在史丹佛博士班期間創始 Evo 專案，Michael Poli 共同開發 Hyena 並主導 Evo 預訓練，Armin W. Thomas 共同開發 Evo 與 HyenaDNA。

現在能做什麼

不同身分的讀者，此刻的動作不同。

研究生態的人：官方研究頁把八項應用的文檔都公開了，實驗設計與留出測試的細節比多數公司公告完整，可以當文獻閱讀的起點；研究預覽採申請制，能不能過、審什麼標準，官方沒有公開說明。噬菌體療法與感染科團隊：官方明說在找臨床夥伴，能提供病患菌株做篩選，候選驗證後走包含同情使用在內的法規途徑。政策與治理工作者：研究預覽的審核標準、防禦 API 的夥伴條件、生成能力的防擴散邊界，這三件事官方都只有原則聲明、沒有可檢驗的規範文件，是追蹤這家公司時最該盯的縫隙。

一般讀者不需要做任何事。這是研究與商業的早期宣告，離可近用的醫療服務還很遠；家中若有抗藥性感染問題，該走的是感染科醫師與常規醫療管道，這篇文章不構成任何醫療建議。

常見問題

病患被治好了嗎？ 沒有人知道，包括寫公告的公司以外的所有人。官方以隱私為由不公開病程與結果，連方向都沒有給；公司自己寫明單一病患的觀察不能建立安全性或療效。任何「治癒」或「失敗」的說法都是猜測。

這跟以前用過的基因改造噬菌體有什麼不同？ 先前的臨床案例是「找到天然噬菌體再修飾」，2019 年《Nature Medicine》的案例與 2024 年的 LBP-EC01 都屬於這類；這次是模型直接生成新的序列設計，官方稱為 AI 生成噬菌體首度進入人體。生成與修飾的界線就是「世界首例」四個字所指的位置。

病人或家屬可以申請這種療法嗎？ 不存在公開的申請管道。同情使用是醫師主導、監管機關個案授權的機制，不是排隊掛號的服務；官方頁面也只對臨床夥伴開放合作洽談。感染治療的決策請交給感染科醫療團隊。

Omnii-1 跟 AlphaGenome 這類模型是什麼關係？ 官方把 Omnii-1 定位成跨度更大的多模態基礎模型，AlphaGenome、Borzoi 這類模型是它在調控預測任務上的比較對象，官方稱在多項基準上領先。比較的方式值得注意：官方自認是商業實體、無法執行 AlphaGenome，所以 AlphaGenome 的分數直接取自其原始論文；基因體子頁有逐項基準表，但外部複現目前不存在。

Omnii-1 可以下載或付費使用嗎？ 都不行。目前只有研究預覽的申請入口，模型權重、授權條款、參數量、定價全部未公開；生物防禦 API 另走審核過的夥伴制。

還沒揭曉的部分

這則新聞掛著四個未解的問號：病患的臨床結果、核准同情使用的監管機關與醫院身分、「世界首例」的獨立佐證，以及 Omnii-1 的論文或預印本何時出現。在這些揭曉之前，整包宣稱的證據型態就是「公司自己的部落格」，這麼說並非貶低；實驗設計確實寫得比多數同類公告認真，證據型態就是停在這裡。

想跟進的人可以盯三個位置：官方研究頁（論文與後續更新會掛在這裡）、Omnii-1 頁的存取申請動向，以及同領域其他團隊對「AI 設計生物分子進入現實世界」這條線的推進，例如 Anthropic 的蠍毒蛋白結合分子研究與類 CRISPR 酵素系統的發現。文中的數字與頁面狀態都以 10 月 21 日當時的官方內容為基準，等論文或監管紀錄出現時，這篇的讀法就該更新一次。