什麼是 Omnii-1？首款 AI 設計噬菌體背後的基因組語言模型

2026 年 10 月 20 日，AI 實驗室 Radical Numerics 發布了 Omnii-1，並將其定位為全球最先進的多模態基因組語言模型。最引人注目的聲明是：由該模型設計的噬菌體已被用於一名抗生素耐藥性感染的人類患者。本文將說明 Omnii-1 究竟是什麼、基因組語言模型的運作原理、其八大應用，以及各大頭條新聞所略去的注意事項。

什麼是 Omnii-1？

Omnii-1 是一款基因組語言模型（genome language model）：採用與大型語言模型相同的 Transformer 技術，但以生物數據而非人類文字進行訓練。它不是預測下一個詞，而是學習 DNA、RNA、蛋白質及相關分子訊號中的規律。

Radical Numerics 表示，Omnii-1 原生預訓練涵蓋 28 種生物模態——包括 DNA、RNA、蛋白質、染色質可及性（chromatin accessibility）、轉錄因子結合（transcription factor binding）、組蛋白修飾（histone modifications）、DNA 甲基化（DNA methylation）、剪接（splicing）及基因表現，並以細胞類型與組織為條件進行訓練（Radical Numerics）。在對數兆個遺傳與多組學（multiomic）數據 token 進行訓練後，模型學習到一種共享表示，可適應多種不同的生物學問題。

該公司由 Evo 和 Evo 2 背後的部分團隊成員創立，Evo 和 Evo 2 是早期的基因組模型，曾用於設計首批完全由 AI 創建的噬菌體基因組（Business Wire via FinancialContent）。

為何「通才」模型如此重要

多年來，生物 AI 一直是針對單一問題逐一建構：蛋白質、基因調控、遺傳疾病和分子設計各有獨立模型。Radical Numerics 認為這一局面正在改變——單一通用模型現在已能在這些專用模型的設計任務上超越它們，這與通用大型語言模型超越窄域 NLP 系統的歷程如出一轍。

基因組是這一切的天然錨點。它既是分子生物學的共同參考框架，也是歷經數十億年演化所形成的記錄，因此以 DNA 為基礎的模型能夠串聯起許多下游訊號。

八大應用

Radical Numerics 在發布 Omnii-1 的同時推出了八款應用，每款均以相同的基礎模型為起點，透過中期訓練（mid-training）或後訓練（post-training）進行適配。部分已報告的結果如下：

• Omnii Genome。 在調控軌跡（regulatory-track）和變異效應（variant-effect）基準測試上達到新的最先進水準，據該公司表示，超越了 AlphaGenome 和 Borzoi 等專用模型。
• Omnii Phage。 針對抗生素耐藥性感染的定向噬菌體設計（詳見下文）。在隨機保留的大腸桿菌（E. coli）菌株測試中，其前兩項推薦對 92.1% 的合格菌株包含具有生物活性的噬菌體。
• Omnii Genetics。 在 90% 的評估 GWAS 可信集（credible sets）中，將功能性變異排在前四名之內，並針對 153 個帕金森氏症訊號提出了機制假說。
• Omnii Diagnostics。 預測了一種在預訓練中從未見過的血液癌症生物標誌物（無細胞 5hmC），在評估隊列的變異效應上達到 0.854 的 Pearson 相關係數。
• Omnii Defense。 加入傳統篩選流程後，將致病性相關蛋白質的召回率（recall）從 78.6% 提升至 95.8%。
• Omnii Rare Earths、Omnii Antibody 和 Omnii Cancer Vaccine 涵蓋其餘應用，分別針對金屬分離的蛋白質設計、抗體設計及疫苗靶點選擇。

所有數據均為 Radical Numerics 自行報告，發布於其發布文章，尚未經過獨立驗證。

噬菌體里程碑——及其注意事項

引發頭條新聞的是噬菌體案例。噬菌體（phage）是感染細菌的病毒，噬菌體療法在抗生素失效時是一種頗具前景的選擇——但找到能針對特定患者感染的噬菌體既耗時又充滿不確定性。

Radical Numerics 訓練 Omnii-1 以設計可存活的噬菌體、排列變異優先順序，並預測哪些噬菌體能匹配哪些細菌菌株。在其所稱的全球首例 AI 設計噬菌體臨床應用中，Omnii-1 的設計成果透過授權的、由醫師主導的同情性使用（compassionate-use）途徑，被給予一名抗生素耐藥性細菌感染的患者（Omnii Phage 說明文章）。在實驗室測試中，含有設計變異體的混合製劑在給藥前已於體外（in vitro）消滅了患者的耐藥性分離株。

以下是需要保持冷靜判斷的幾點：

• 這只是單一患者案例。 Radical Numerics 表示，基於隱私考量，無法披露患者的臨床病程或結果——因此沒有可供評估的報告結果。
• 這屬於試驗性治療。 同情性使用允許在無核准選項時，讓患者在臨床試驗之外接受療法；這並非監管機構的核准，且該公司指出，單一患者的觀察結果無法確立普遍的安全性或有效性。
• 尚未經過同行評審。 該公司的報告尚未經過同行評審或在科學期刊上發表，其與 AlphaGenome、Borzoi 等模型的基準比較均為自行報告，待獨立複現（NYT via GV Wire）。

Carl Zimmer 為《紐約時報》所做的報導指出，該公司表示此試驗已獲 FDA 授權——這強調了這確實是真實的新聞，但這是關於第一步的新聞，而非已驗證的治療方法。

基因組語言模型在實務中如何使用

Omnii-1 的使用方式與大型語言模型類似，但應用於生物學領域：重建缺失的測量值、評分遺傳變異如何改變功能，或生成具有特定特徵的 DNA。關鍵在於，相同的 DNA 在提供不同細胞或組織背景時可能產生不同的預測結果——這更接近生物學的實際運作方式。

在噬菌體設計方面，模型會編輯現有基因組的特定區域（例如受體結合尾纖維），同時考量周圍序列，因此可以在不破壞噬菌體複製所需機制的前提下改變宿主靶向性。

這對 AI 開發者意味著什麼

Omnii-1 是一個領域層面的範例，體現了更廣泛的模式：一個通用模型、多種專業化工作流程，每個工作流程都配備自己的數據和評估迴路。無論你從事生物學、金融還是軟體開發，困難之處很少在於模型本身——而在於如何協調圍繞模型的研究、資料來源和驗證機制。

如果你想批判性地解讀此類發布，請參閱我們的解析文章：Periodic Neon，一款實驗室訓練的 AI 科學助手 以及 TypeSafe AI 的 Jev 模型。

用 AI 團隊執行你自己的研究工作流程

拆解像 Omnii-1 這樣密集的發布內容——蒐集一手資料、交叉核查基準測試聲明、區分結果與炒作——正是 AI 工作團隊能夠處理的多步驟研究任務。Eigent 是一款開源的「協作」（Cowork）桌面應用程式，讓一組 AI 代理在本地讀取資料來源、比較聲明並起草摘要，由你在每個步驟進行審核確認。將它們指向競爭分析工作流程，或下載 Eigent 打造你自己的研究工作台。