Uma das perigosíssimas modas geneticistas é a criação de produtos biológicos não existentes na Natureza. Desta vez, foram criados 16 vírus com o apoio da Fundação Gates. Uma das publicações da Revista Science admite:
"[existem] questões urgentes de biossegurança e segurança biológica. A capacidade de compor genomas virais utilizando IA generativa já existe; a governança para conduzir esse processo de forma segura, ainda não."
Revista Sciences
06.Ago.2026
Design generativo de bacteriófagos com modelos de linguagem genômica
Resumo do editor | A capacidade de projetar sistemas biológicos complexos com inteligência artificial (IA) tem o potencial de transformar a biotecnologia, mas o progresso tem se limitado, em grande parte, à escala de genes e proteínas individuais, permanecendo o design de genomas completos fora de alcance. King et al. utilizaram modelos de IA generativa treinados com milhões de genomas naturais para projetar bacteriófagos inteiros (veja a Perspectiva de Inglesby e Hanke). Testes experimentais resultaram em 16 genomas funcionais com sequências, estruturas e perfis de aptidão (fitness) diversos. Um coquetel dos bacteriófagos gerados superou rapidamente bactérias que haviam desenvolvido resistência a um bacteriófago natural. Este trabalho estabelece as bases para o design de funções biológicas guiado por IA na escala de genomas completos. - Di Jiang
Resumo Estruturado
Introdução | A evolução molda continuamente novas inovações biológicas codificadas nos genomas. Explorar esse vasto espaço de design poderia permitir o acesso a funções capazes de transformar a biotecnologia; no entanto, mesmo os genomas mais simples são altamente complexos e podem se tornar inviáveis devido a uma única mutação. Consequentemente, a maior parte dos avanços no design biológico ocorreu na escala de genes e circuitos gênicos individuais, enquanto o design na escala de genomas completos permaneceu, em grande parte, inalcançável.
Fundamentação | Modelos de linguagem genômica são algoritmos de inteligência artificial (IA) que demonstraram potencial no design de sistemas biológicos. Assim como outros modelos de linguagem são treinados com grandes volumes de texto, os modelos de linguagem genômica são treinados com grandes volumes de dados de DNA, abrangendo milhões de genomas de todos os domínios da vida. Isso permite que esses modelos aprendam as restrições evolutivas que moldam as sequências de DNA na natureza. No entanto, a capacidade desses modelos de gerar genomas funcionais completos ainda não havia sido testada. Os bacteriófagos - vírus que infectam bactérias - são particularmente adequados para essa tarefa, pois são relativamente pequenos, de fácil manipulação experimental e possuem amplas aplicações em biologia molecular, engenharia microbiana e terapêutica.
Resultados | Neste trabalho, utilizamos modelos de linguagem genômica - Evo 1 e Evo 2 - para gerar genomas completos de fagos com arquiteturas genéticas realistas e especificidade para um hospedeiro bacteriano, a Escherichia coli C. Utilizando o fago natural ΦX174 como modelo de design, estabelecemos uma estrutura para gerar e avaliar milhares de genomas criados por IA; sintetizamos quimicamente cerca de 300 deles e os testamos em condições laboratoriais, obtendo 16 fagos viáveis. Os fagos gerados e viáveis demonstraram forte especificidade pelo hospedeiro e perfis de aptidão (fitness) diversos, incluindo cinéticas de infecção competitivas. Os fagos gerados diferiam de quaisquer fagos naturais conhecidos, exibindo mutações de novo, genes e elementos regulatórios divergentes e comprimentos de genoma variáveis. Um dos fagos incorporou, em sua estrutura de capsídeo, uma proteína de empacotamento de DNA proveniente de um fago evolutivamente distante. Também testamos se os fagos gerados conseguiriam superar a resistência bacteriana - um desafio central no desenvolvimento de terapias antimicrobianas baseadas em fagos - e constatamos que uma mistura de fagos projetados superou rapidamente cepas de E.coli resistentes ao ΦX174, ao passo que uma mistura comparável de fagos semelhantes ao ΦX174 de origem natural não obteve o mesmo êxito.
Conclusão | Nossos resultados demonstram que modelos generativos capturam restrições evolutivas em sequências de DNA com fidelidade suficiente para produzir genomas completos de bacteriófagos — divergentes daqueles observados na natureza e com características pré-especificadas. Nossa abordagem amplia o alcance da genômica sintética, complementando métodos como a evolução dirigida e a engenharia racional; traça um caminho para a criação de terapias com fagos adaptativas e resilientes contra patógenos de rápida evolução; e estabelece uma base para o design generativo de genomas maiores e mais complexos. O design de genomas pode potencializar o conjunto mais amplo de ferramentas de sequenciamento, síntese e edição genômica, viabilizando a composição de sistemas biológicos em escala genômica.
Uma estrutura para o design de genomas de bacteriófagos guiado por IA | Modelos de linguagem treinados com milhões de genomas possibilitam a geração de fagos completos. Sequências são geradas e avaliadas computacionalmente com base em critérios de design inspirados no fago ΦX174 e em seu hospedeiro, E. coli C. Os designs mais promissores são sintetizados quimicamente e testados em células hospedeiras, resultando em genomas de fagos viáveis que divergem de fagos naturais conhecidos, ao mesmo tempo em que preservam a especificidade pelo hospedeiro.
Resumo | Muitas funções biológicas importantes não decorrem de genes isolados, mas de interações complexas codificadas por genomas inteiros. Relatamos o primeiro projeto generativo de genomas completos de bacteriófagos utilizando modelos de linguagem genômica. Geramos bacteriófagos viáveis com tropismo por hospedeiros-alvo, utilizando o fago ΦX174 como modelo de design. Testes experimentais resultaram em 16 fagos com perfis de aptidão variados em condições laboratoriais. A criomicroscopia eletrônica confirmou que um dos fagos gerados utiliza, em seu capsídeo, uma proteína de empacotamento de DNA evolutivamente distante. Um coquetel de fagos gerados supera rapidamente cepas de Escherichia coli resistentes ao ΦX174, demonstrando um caminho para terapias com fagos gerados por inteligência artificial contra patógenos bacterianos de rápida evolução. Este trabalho fornece um modelo para o design de diversos bacteriófagos sintéticos e sistemas biológicos úteis em escala genômica.
Informação sobre os autores
Samuel H. King | Departamento de Bioengenharia, Universidade de Stanford, Stanford, CA, EUA. Arc Institute, Palo Alto, CA, EUA. Funções: Conceituação, Curadoria de dados, Análise formal, Investigação, Metodologia, Administração do projeto, Recursos, Software, Validação, Visualização, Redação - rascunho original e Redação - revisão e edição.
Claudia L. Driscoll | Arc Institute, Palo Alto, CA, EUA. Departamento de Engenharia Química, Universidade de Stanford, Stanford, CA, EUA. Funções: Investigação, Metodologia, Validação e Redação - revisão e edição.
David B. Li | Departamento de Bioengenharia, Universidade de Stanford, Stanford, CA, EUA. Arc Institute, Palo Alto, CA, EUA. Funções: Conceituação, Análise formal, Investigação, Metodologia, Software, Validação, Visualização, Redação - rascunho original e Redação - revisão e edição.
Daniel Guo | Arc Institute, Palo Alto, CA, EUA. Departamento de Ciência da Computação, Universidade de Stanford, Stanford, CA, EUA. Funções: Curadoria de dados, Análise formal, Investigação, Software, Validação, Redação - rascunho original e Redação - revisão e edição.
Aditi T. Merchant | Departamento de Bioengenharia, Universidade de Stanford, Stanford, CA, EUA. Arc Institute, Palo Alto, CA, EUA. Funções: Curadoria de dados, Análise formal, Investigação, Metodologia, Software, Validação, Visualização e Redação - revisão e edição.
Garyk Brixi | Arc Institute, Palo Alto, CA, EUA. Departamento de Genética, Universidade de Stanford, Stanford, CA, EUA. Funções: Curadoria de dados, Análise formal, Investigação, Metodologia, Software, Validação e Redação - revisão e edição.
Max E. Wilkinson | Broad Institute do MIT e Harvard, Cambridge, MA, EUA. Funções: Metodologia, Validação e Redação - revisão e edição. Endereço atual: Programa de Biologia Estrutural, Memorial Sloan Kettering Cancer Center, Nova York, NY, EUA.
Brian L. Hie | Arc Institute, Palo Alto, CA, EUA. Departamento de Engenharia Química, Universidade de Stanford, Stanford, CA, EUA. Stanford Data Science, Universidade de Stanford, Stanford, CA, EUA. Funções: Conceituação, Análise formal, Obtenção de financiamento, Investigação, Metodologia, Administração do projeto, Recursos, Supervisão, Validação, Visualização, Redação - rascunho original e Redação - revisão e edição.
Revista Science
06.Ago.2026
A geração de genomas virais funcionais traz implicações urgentes para a biossegurança e a segurança biológica
Resumo | A inteligência artificial (IA) tem sido utilizada para gerar proteínas, complexos proteicos e pequenos segmentos de genomas. Projetar um genoma completo é mais complexo, pois exige a compreensão de sua arquitetura de nível superior - como, por exemplo, a maneira pela qual as sequências codificantes de diferentes produtos genômicos se sobrepõem. Na página 589 desta edição, King et al. relatam a síntese de um genoma viral funcional completo, projetado com o uso de IA generativa. Embora isso seja promissor para aplicações nas ciências da vida, também levanta questões urgentes de biossegurança e segurança biológica. A capacidade de compor genomas virais utilizando IA generativa já existe; a governança para conduzir esse processo de forma segura, ainda não.
Informação sobre os autores
Thomas V. Inglesby | Centro de Segurança em Saúde, Departamento de Saúde Ambiental e Engenharia, Escola de Saúde Pública da Universidade Johns Hopkins, Baltimore, MD, EUA.
Moritz S. Hanke | Centro de Segurança em Saúde, Departamento de Saúde Ambiental e Engenharia, Escola de Saúde Pública da Universidade Johns Hopkins, Baltimore, MD, EUA.
Apoio da Fundação Gates
