在分子生物學的發展史上,很少有哪個生物能像噬菌體ΦX174 一樣,三度站上科學的浪頭。它的基因體只有短短五千多個鹼基,但卻三度改寫了我們對生命的想像:
第一次,它是人類完整讀完基因體的里程碑;
第二次,它成為人類合成完整生物基因體的試金石;如今,它再度化身為人類設計基因的試驗場,由人工智慧親手譜寫出全新的生命篇章。
1977 年,Fred Sanger 帶領團隊完成了 ΦX174 的完整基因體定序。這段只有 5,386 個鹼基的序列,雖然在現代看來微不足道,卻是人類首次完整破譯一個 DNA 基因體。那時的科學界首次意識到,基因體並不是無邊無際的謎,而是能被完整「讀出」的訊息。這一步,開啟了基因體學的時代,也讓 Sanger 奠定了「現代 DNA 破譯者」的地位。
二十多年後,ΦX174 再度登場。2003 年,科學家利用人工合成 DNA 的技術,把一段段化學合成的 DNA 片段拼湊起來,重新「組裝」出一個 ΦX174 的完整基因體。接著,他們把這個合成的 DNA 放入細胞裡,噬菌體居然能再次運行、感染、繁殖。這是人類歷史上第一個被完全人工合成的基因體。這一次,ΦX174 不只是被「讀懂」了,更被「寫完」了,宣告合成生物學正式登場。
時間來到 2025 年,ΦX174 又一次刷新了歷史。這次,科學家不再只是複製既有的基因體,而是透過人工智慧來「創造」新的版本。研究團隊訓練了Evo 1與Evo 2的基因體語言模型,讓 AI 從數百萬個噬菌體基因體中學會序列規則,再以 ΦX174 為模板,生成數百個候選的完整基因體。經過層層過濾與實驗檢驗,最終有16 個全新的噬菌體被證實能在大腸桿菌中存活,並展現真實的感染與「殺菌」功能。
更令人驚訝的是,這些 AI 設計的噬菌體並非單純的「抄襲」。它們帶有自然界中未曾出現過的基因創新:有的基因插入了新片段,有的基因被刪除或延長,還有一些調控區域出現了全新的變化。其中一株甚至換掉了 DNA 包裝蛋白 J,與遠緣噬菌體的版本結合在一起,居然仍然能維持功能。這在自然界中幾乎不可能成功,但 AI 卻設計出了能「動得起來」的組合。
功能測試更是耐人尋味。部分新噬菌體比原始 ΦX174 更快裂解宿主,或在競爭實驗中佔了上風。當研究團隊在實驗室中讓大腸桿菌演化出對 ΦX174 的抗性後,野生種的 ΦX174 便對它完全無能為力;但把這 16 株 AI 噬菌體混合成一種「雞尾酒」,卻能在幾次傳代內迅速突破抗性。這意味著,AI 設計的噬菌體雞尾酒或許能成為未來對抗抗藥性細菌的一種武器。
當然,這一切仍有不少限制。研究者生成了超過三百個候選基因體,但只有十幾株能真正存活,顯示成功率仍然不高。DNA 合成的成本依舊昂貴,短期內還難以普及。而安全問題更是無可避免的疑慮:如果 AI 被濫用來設計危險病毒,後果將不堪設想。
然而,無可否認的是,ΦX174 再一次扮演了劃時代的角色。它第一次告訴我們,基因可以被完整「讀」出來;第二次,它告訴我們,基因可以被「寫」回去;第三次,它告訴我們,基因甚至可以由 AI「設計」。這三次跨越,不只是技術的進步,更像是人類與生命對話方式的轉變。
因此,稱它為合成生物學的「聖杯」並不為過。因為在這顆小小的噬菌體身上,我們看見了科學從解碼、到重現、再到設計的整條道路。它不只是歷史的見證者,更是未來可能的開路者。

圖片作者:ChatGPT
為什麼是 ΦX174呢?它之所以能成為「聖杯」,當然是自有道理的:
首先,它的體積小、基因數目少(只有11 個基因),做起來不會太麻煩。相比 ΦX174 的 11 個基因,同樣在分子生物學上赫赫有名的T7 噬菌體的基因體大約有 50–57 個基因,而 λ 噬菌體則約有 66 個。基因體越大,功能越複雜(例如調控/整合性質等),也越難用 AI/合成生物學全面掌控。更不用提 λ 噬菌體的生活史更複雜。
其次,它的研究歷史悠久,有完整的生物學理解與安全性評估。也就是說,我們對它很瞭解,不怕會迸出一個什麼想不到的東東。
最後是,因為它的宿主是大腸桿菌的非致病株(E. coli C),所以可在 BSL-1/2 進行實驗。很久以前曾經有個研究團隊,居然在實驗室裡合成小兒麻痺病毒,害得合成生物學一時之間變成壞東西。(也推動了美國及其他國家針對 DNA 合成公司的監管要求,例如檢查訂單序列是否屬於病原體。)合成一隻大腸桿菌,沒有人會擔心大腸桿菌會不會死光XD。
不知道在未來,ΦX174還會見證什麼突破呢?
參考文獻:
King, S. H., Driscoll, C. L., Li, D. B., Guo, D., Merchant, A. T., Brixi, G., Wilkinson, M. E., & Hie, B. L. (2025). Generative design of novel bacteriophages with genome language models. bioRxiv. https://doi.org/10.1101/2025.09.12.675911



























