什么是 Omnii-1？首款 AI 设计噬菌体背后的基因组语言模型

2026 年 10 月 20 日，AI 实验室 Radical Numerics 发布了 Omnii-1，并将其称为全球最先进的多模态基因组语言模型。最引人注目的声明是：由该模型设计的噬菌体已被用于一名抗生素耐药感染患者。本文将解释 Omnii-1 究竟是什么、基因组语言模型的工作原理、其八大应用，以及各大头条所忽略的注意事项。

什么是 Omnii-1？

Omnii-1 是一款基因组语言模型：采用与大型语言模型相同的 Transformer 技术，但以生物数据而非人类文本进行训练。它不是预测下一个词，而是学习 DNA、RNA、蛋白质及相关分子信号中的规律。

Radical Numerics 表示，Omnii-1 原生预训练覆盖 28 种生物模态——涵盖 DNA、RNA、蛋白质、染色质可及性、转录因子结合、组蛋白修饰、DNA 甲基化、剪接和基因表达，并以细胞类型和组织为条件进行建模（Radical Numerics）。在对数万亿个遗传和多组学数据 token 进行训练后，该模型学习到一种统一的共享表示，可适配多种不同的生物学问题。

该公司由 Evo 和 Evo 2 背后团队的成员创立，Evo 和 Evo 2 是早期的基因组模型，曾用于设计首批完全由 AI 创建的噬菌体基因组（Business Wire via FinancialContent）。

为什么"通用"模型至关重要

多年来，生物 AI 一直是针对单一问题构建的：蛋白质、基因调控、遗传疾病和分子设计各有独立模型。Radical Numerics 认为这一局面正在改变——单一通用模型现在可以在专用模型的专属任务上超越它们，这与通用大语言模型超越垂直 NLP 系统的趋势如出一辙。

基因组是这一切的天然锚点。它既是分子生物学的共同参照，也是经过数十亿年进化塑造的记录，因此以 DNA 为基础的模型能够将众多下游信号有机串联。

八大应用

Radical Numerics 在发布 Omnii-1 的同时推出了八款应用，每款均从同一基础模型出发，通过中期训练或后期训练进行适配。以下是部分已报告的结果：

• Omnii Genome。 在监管轨道和变异效应基准测试上达到新的最优水平，据该公司称，超越了 AlphaGenome 和 Borzoi 等专用模型。
• Omnii Phage。 针对抗生素耐药感染的定向噬菌体设计（详见下文）。在随机留出的大肠杆菌菌株上，其前两项推荐中有 92.1% 的合格菌株包含具有生物活性的噬菌体。
• Omnii Genetics。 在 90% 的评估 GWAS 可信集中，将功能性变异排在前四位，并针对 153 个帕金森病信号提出了作用机制。
• Omnii Diagnostics。 预测了一种在预训练中从未见过的血液癌症生物标志物（游离 5hmC），在评估队列的变异效应上达到 0.854 的 Pearson 相关系数。
• Omnii Defense。 在加入传统筛查流程后，将致病性相关蛋白的召回率从 78.6% 提升至 95.8%。
• Omnii Rare Earths、Omnii Antibody 和 Omnii Cancer Vaccine 构成其余三款应用，分别覆盖金属分离蛋白设计、抗体设计和疫苗靶点筛选。

所有数据均来自 Radical Numerics 自身，发布于其发布博文，尚未经过独立复现。

噬菌体里程碑——及其注意事项

引发头条的是噬菌体案例。噬菌体是感染细菌的病毒，噬菌体疗法在抗生素失效时是一种颇具前景的选择——但找到针对特定患者感染的噬菌体既耗时又充满不确定性。

Radical Numerics 训练 Omnii-1 来设计可存活的噬菌体、对变体进行优先级排序，并预测哪些噬菌体与哪些细菌菌株匹配。在其所称的全球首例 AI 设计噬菌体临床应用中，Omnii-1 的设计方案通过经授权的、由医生主导的同情用药（compassionate-use）途径被用于一名抗生素耐药细菌感染患者（Omnii Phage 详情）。在实验室测试中，含有设计变体的噬菌体混合液在给药前已在体外消灭了患者的耐药分离株。

以下是需要保持理性判断的几点：

• 这只是单一患者案例。 Radical Numerics 表示，出于隐私原因，无法披露该患者的临床过程或结局——因此没有可供评估的报告结果。
• 这属于研究性用途。 同情用药允许在没有批准方案的情况下，在临床试验之外为患者提供治疗；这并非监管批准，公司也指出，单一患者的观察结果无法确立普遍的安全性或有效性。
• 尚未经过同行评审。 该公司的报告尚未经过同行评审或在科学期刊上发表，其与 AlphaGenome、Borzoi 等模型的基准对比均为自我报告，有待独立复现（NYT via GV Wire）。

Carl Zimmer 为《纽约时报》所做的报道指出，该公司表示此次试验已获 FDA 授权——这强调了这确实是真实新闻，但只是第一步，而非经过验证的治疗方案。

基因组语言模型在实践中如何使用

Omnii-1 的使用方式与大语言模型类似，但面向生物学：重建缺失的测量值、评分遗传变异对功能的影响，或生成具有特定特征的 DNA。关键在于，同一段 DNA 在不同细胞或组织上下文下可以产生不同的预测结果——这更接近生物学的真实行为方式。

在噬菌体设计方面，该模型会编辑现有基因组的特定区域（例如受体结合尾纤维），同时考虑周围序列，从而在不破坏噬菌体复制所需机制的前提下改变宿主靶向性。

这对 AI 构建者意味着什么

Omnii-1 是一个领域级示例，体现了更广泛的模式：一个通用模型，多个专用工作流，每个工作流都配有自己的数据和评估循环。无论你从事生物学、金融还是软件开发，难点很少在于模型本身——而在于如何编排围绕它的研究、数据来源和验证机制。

如果你想批判性地解读此类发布，请参阅我们关于 Periodic Neon（一款实验室训练的 AI 科学家） 和 TypeSafe AI 的 Jev 模型 的解析文章。

用 AI 团队运行你自己的研究工作流

拆解像 Omnii-1 这样密集的发布——收集一手资料、交叉核实基准声明、将结果与炒作区分开来——正是 AI 智能体团队能够胜任的多步骤研究任务。Eigent 是一款开源"协作"桌面应用，由一组智能体在本地读取资料、对比声明并起草摘要，每一步均由你审批确认。将它们指向竞争分析工作流，或下载 Eigent 构建你自己的研究工作台。