Radical Numerics用AI对抗AI:生物防御工具能查出多少未知病原体?
在偏远地区调查疫情,研究人员需要尽快分析采集的样本里有哪些病原体。便携式测序仪已经可以随队带到现场,但测出的数据如果要上传远程服务器分析,断断续续的网络就会让等待时间大幅拉长。如何压缩分析时间,争取机会拯救更多生命?近日据《连线》(WIRED)消息,一家名为 Radical Numerics 的美国生物 AI 初创声称
研究人员在偏远地区调查疫情时,需要尽快弄清采集到的样本里含有哪些病原体。
如何把分析时间压下来,为挽救更多生命争取机会?据《连线》(WIRED)近日消息,美国生物 AI 初创公司
Radical Numerics 声称,即便采样地点在野外、网络环境不稳定,他们的 AI 生物防御工具
在样本比对环节,现有工具大多要依赖数据库里的相近对象,而
已知序列之外怎么检测
生物检测往往从找相似性入手:拿到样本的遗传序列后,研究人员把它与参考数据库比对,再依据匹配结果推断样本中可能存在哪些生物。可匹配的对象越充足,序列来源就越容易得到解释。
生物设计能力不断增强,序列相似性与实际功能之间是什么关系,随之成为新的研究焦点。有些蛋白质序列发生改变后,分子仍可能保持相近的结构或作用。这些差异到底影响了哪些功能,检测工具必须作出判断,只靠与已知序列做相似性比对,很难把全部情况覆盖住。
2025 年 10 月,《科学》(Science)刊登的一项研究已经点出了这个问题。微软(Microsoft)等机构的研究者发现,开源 AI 蛋白质设计工具生成的部分序列能够绕开筛查工具。研究团队随后开发并部署了补丁,对这类序列的检出能力由此提高。
在生物安全领域,美国国家标准与技术研究院(NIST)等机构的研究者又发表论文,进一步提出基于功能的核酸合成筛查思路。他们的建议是把功能预测与已有的序列筛查结合起来,先围绕定义清楚的危险功能建立模型,再逐步扩大覆盖范围。
一年多前,部分曾参与 Evo 系列基因组模型开发的核心成员创办了 Radical Numerics,把生物 AI 设计与生物防御定为两条研发主线,并于 2026 年 6 月完成 5,000 万美元种子轮融资。
其核心模型
这些数据既包含遗传信息的排列方式,也包含特定序列在特定环境中会起什么作用,模型能从中学习序列变化与实验结果之间的关联,再把学到的特征用于具体任务。
2026 年 10 月,Radical Numerics 声称,使用
生物基础模型从海量数据中学习序列与分子性质之间的关联,这为识别缺少近缘参考的对象提供了另一条路径。
围绕生物防御,团队先训练了用于蛋白质检测的分类模块,用来判断输入序列是否与潜在致病功能相关。面对环境样本中的测序短片段,团队又通过
读段
图 | 左侧显示测序进度,右侧为 Omnii Defense 的筛查与分类结果。(来源:Radical Numerics)
完成针对任务的适配之后,研究人员分别用蛋白质序列和病毒测序片段对模型进行检验。
蛋白质测试用的是 AI 生成、与原始序列差异较大的变体。研究人员按照计算预测的结构等指标,挑出可能保留功能的候选,同时加入预测无法维持功能的变体和非病原相关蛋白,看模型能不能把它们区分开。
公开数据显示,在这组测试中,
病毒测试则进一步考察模型面对陌生对象时的表现。团队选用了登革热病毒和
在排除整个属的条件下,模型与已有分析流程相结合,找回了 44.6% 的登革热病毒
整套工具能否在网络不稳定、或者要求数据留在现场的环境中正常运转?为检查这一点,研究人员将
图 | 研究人员在本地部署测试中,将便携式测序仪连接笔记本电脑。(来源:Radical Numerics)
这次测试用的是环境样本的测序数据,并在读段中掺入关注序列,看系统能否从复杂背景里锁定目标。分析界面同时呈现测序进度、标记出的读段、功能分类以及可能的生物来源,研究人员可据此决定优先检查哪些对象。
在公司展示的一轮数据回放测试中,系统把 2,672 条测序读段分成 30 批处理。数据以原始记录一半的速度持续输入,历时 20 分钟;输入结束后约 35 秒,笔记本就完成了剩余分析,全部批次的结果均已输出。
公司表示,他们希望把这套能力接入两个环节:一是在核酸合成之前,帮助服务商审查提交的序列;二是在样本采集之后,帮助监测人员从测序数据中寻找新出现或经过改造的生物威胁。前者可通过在线服务开展批量筛查,后者则能借助离线部署,在采样地点完成初步分析。
Omnii Defense 眼下只对通过审核的外部测试者开放,公司正在与
从捕捉信号到提前备好应对手段
检测工具在往采样现场靠,另一些公司则把防线推到药物设计这一端,盼着新威胁冒头前手里就多几张牌。拿到 OpenAI 投资的
2025 年 11 月,
“红皇后”这个名字来自演化生物学中的
抗体是这条路线上的具体落点。今年 1 月,抗体技术公司
实验数据和模型设计在这里串成了一条线:动物实验给出能识别目标的抗体以及测量结果,人工智能接着参与设计,研究团队再对候选做验证。红皇后盯的是医疗应对手段这一交付物,Omnii 侧重的是发现可疑序列,两者在防御体系里各占一个位置。
《华尔街日报》(The Wall Street Journal)9 月报道称,红皇后当时累计融资 3,600 万美元,打算 2027 年启动针对禽流感及其他流感病毒的抗体药物人体临床试验。公司把尚未出现的潜在威胁也列进研发目标,同时从流感这类已有明确研究对象的方向推进药物开发。
监测机构也想把从采样到预警的时间压短,非营利生物安全机构
AI 正让人探索和改造生物系统的本事变大。生命科学因此要同时回答两个问题:我们能造出什么,又该怎么应对这些造出来的东西带来的影响?设计能力越强,越需要检测、研究和公共卫生能力跟上。
从识别陌生序列,到持续采样、研发抗体,生物防御的投入正落到更具体的技术环节上。偏远地区的疫情调查人员,最关心的是能不能及时搞清样本里有什么;对面临感染的人来说,最关心的是能不能及时拿到有效的治疗。生物 AI 值不值,也该拿这些实际变化来量。
参考资料:
https://www.radicalnumerics.ai/blog/omnii-defense-api
https://www.wired.com/story/startup-fights-ai-bioweapons-with-ai/
https://doi.org/10.1126/science.adu8578
https://www.abtherx.com/abtherx-and-red-queen-bio-partner-on-therapeutic-antibody-discovery/
https://www.wsj.com/health/this-startup-is-using-ai-to-fight-off-a-future-ai-pandemic-aceedf1b
https://securebio.org/blog/three-day-early-warning-system/
运营/排版:何晨龙
注:封面/首图由 AI 辅助生成