用生成式 AI 从零构建非自然病毒序列的实战逻辑与工程坑点

现在的生成式 AI 已经不再仅仅是对已知病毒序列进行简单的模拟，而是真正进入了 De novo design（从零构建）的阶段。简单来说，AI 能够通过学习海量的遗传密码，凭空“捏”出自然界从未出现过的病毒基因组，且这些合成序列在生物学上具备潜在的功能性。这种能力本质上是将生物序列视作一种特殊的“语言”，AI 通过掌握蛋白质折叠的“语法”，直接跳过了自然界数百万年的随机突变，通过计算直接抵达特定的功能目标。

在生物信息学层面实现这种逻辑，其实有一套非常标准的工程工作流。首先是数据预处理阶段，这决定了模型的底色。研究者通常需要从 NCBI 等公共数据库中抓取目标病毒家族的 FASTA 格式序列。这里有个关键的工程细节：由于原始序列长度不一且包含大量噪声，必须进行严格的过滤。例如，在处理特定长度的病毒序列时，通常会使用 seqkit seq -m 1000 -M 2000 input.fasta > filtered_virus.fasta 这样的命令，将序列长度严格限制在 1000 到 2000 个碱基/氨基酸之间，否则模型在 Token 化过程中会产生严重的截断或填充问题。

在模型选择上，目前的主流方案是采用 ProteinMPNN 或 ESM-2 这类蛋白质语言模型。这些模型的底层逻辑是掩码预测（Masked Language Modeling），通过对已知病毒蛋白进行大规模的“填空练习”，让 AI 理解哪些位点的突变会导致蛋白质结构坍塌，而哪些突变能增强其在特定宿主细胞中的稳定性。当你给模型设定一个目标（例如增强入侵能力）时，它会根据概率分布计算出最匹配的氨基酸序列。

最核心的生成与验证环节则依赖于扩散模型（Diffusion Models）或 VAE。AI 生成候选序列后，不能直接拿去实验室，必须经过结构验证。目前最权威的验证手段是将生成的序列输入到 AlphaFold3 中，预测其三维结构是否稳定。在实际的代码实现中，流程大致是先调用生成接口获取 candidate_sequence，随后通过 af3.predict_stability() 接口获取稳定性评分。如果 Stability Score 低于某个阈值，该序列会被直接丢弃。

但作为一名工程师，我必须指出这种技术在实操中最大的“坑”：预测与表达的严重脱节。在计算机模拟中，AI 计算出的蛋白质结构可能非常完美，对称性极高，但在实验室环境下，将这些合成序列真正表达出有活性的蛋白质，成功率其实并不高。很多序列在数字空间里是“天才”，但在生物化学环境下却无法正确折叠，或者直接形成了无用的蛋白聚集体。

尽管如此，这种从零部署的路径依然比传统的定向进化（Directed Evolution）快了不止一个数量级。传统方法依赖于随机突变和海量筛选，而生成式 AI 则是直接在潜空间（Latent Space）中寻找最优解。这种从“随机碰撞”到“精准计算”的转变，标志着病毒工程已经从观察科学变成了真正的设计科学。