Η AI πέρασε ένα νέο σύνορο: Επιστήμονες δημιούργησαν 16 λειτουργικούς ιούς που δεν υπήρχαν στη φύση
Μέχρι σήμερα, η Τεχνητή Νοημοσύνη (AI) μπορούσε να γράψει κείμενα, να δημιουργήσει εικόνες, να συνθέσει μουσική, να προβλέψει πρωτεϊνικές δομές και να προτείνει νέα μόρια.
Τώρα όμως πέρασε ένα εντελώς διαφορετικό σύνορο.
Σχεδίασε ολοκληρωμένα γονιδιώματα ιών — και όταν οι επιστήμονες τα μετέφεραν από τον υπολογιστή στο εργαστήριο, 16 από αυτά αποδείχθηκαν πραγματικά λειτουργικά.
Δεν επρόκειτο για απλές ψηφιακές προσομοιώσεις.
Οι νέες γενετικές ακολουθίες μετατράπηκαν σε φυσικό βιολογικό υλικό και οι παραγόμενοι ιοί μπόρεσαν να πολλαπλασιαστούν, να μολύνουν τα βακτήρια για τα οποία είχαν σχεδιαστεί και να τα καταστρέψουν.
Η εργασία ερευνητών από το Stanford University και το Arc Institute, που δημοσιεύθηκε στο Science, θεωρείται η πρώτη πειραματική απόδειξη ότι η AI μπορεί να σχεδιάσει ένα πλήρες, βιώσιμο ιικό γονιδίωμα και όχι απλώς μεμονωμένες πρωτεΐνες ή μικρά τμήματα γενετικού κώδικα.
Και ακριβώς εκεί βρίσκεται η πραγματική σημασία της ανακάλυψης.
Δεν είναι ότι η AI δημιούργησε σήμερα κάποιον νέο ανθρώπινο παθογόνο παράγοντα.
Είναι ότι απέδειξε πως μπορεί πλέον να αρχίσει να γράφει λειτουργική βιολογία.
Από το ChatGPT του λόγου στο «ChatGPT του DNA»
Το σύστημα που βρίσκεται πίσω από το επίτευγμα ανήκει στην οικογένεια μοντέλων Evo.
Η βασική ιδέα θυμίζει εντυπωσιακά τον τρόπο λειτουργίας των μεγάλων γλωσσικών μοντέλων.
Ένα γλωσσικό μοντέλο μελετά τεράστιες ποσότητες κειμένου και μαθαίνει ποιοι συνδυασμοί λέξεων είναι πιθανό να έχουν νόημα.
Ένα genome language model κάνει κάτι αντίστοιχο, αλλά αντί για λέξεις μελετά τις τέσσερις «γραμμές» του γενετικού αλφαβήτου: A, C, G και T.
Αναζητά επαναλαμβανόμενα μοτίβα.
Μαθαίνει ποιες γενετικές ακολουθίες συνδέονται μεταξύ τους.
Αντιλαμβάνεται στατιστικά ποια τμήματα ενός γονιδιώματος μπορούν να συνυπάρξουν και ποια πιθανότατα θα οδηγούσαν σε ένα μη λειτουργικό αποτέλεσμα.
Και στη συνέχεια μπορεί να παράγει νέες ακολουθίες που δεν έχουν καταγραφεί αυτούσιες στη φύση.
Το Evo 2, η νεότερη εκδοχή του συστήματος, εκπαιδεύτηκε σε περισσότερα από 9,3 τρισεκατομμύρια νουκλεοτίδια από περισσότερα από 128.000 γονιδιώματα και γονιδιωματικά σύνολα, αποτελώντας ένα από τα μεγαλύτερα foundation models που έχουν δημιουργηθεί για τη βιολογία.
Υπάρχει όμως μία κρίσιμη λεπτομέρεια.
Για λόγους ασφάλειας, οι δημιουργοί του Evo 2 απέκλεισαν από το βασικό εκπαιδευτικό υλικό γενετικές ακολουθίες ιών που μολύνουν ευκαρυωτικούς οργανισμούς — δηλαδή μεταξύ άλλων ανθρώπους, ζώα και φυτά.
Το μοντέλο εξακολουθεί να διαθέτει δεδομένα βακτηριοφάγων, δηλαδή ιών που προσβάλλουν βακτήρια.
Αυτός ο διαχωρισμός έχει τεράστια σημασία για όσα ακολούθησαν.
Γιατί οι επιστήμονες επέλεξαν βακτηριοφάγους
Η ερευνητική ομάδα δεν επιχείρησε να σχεδιάσει έναν ιό που προσβάλλει ανθρώπους.
Επέλεξε έναν πολύ μικρό και εξαιρετικά καλά μελετημένο βακτηριοφάγο, τον ΦX174.
Οι βακτηριοφάγοι είναι ιοί που μολύνουν βακτήρια.
Δεν έχουν από τη φύση τους την ίδια βιολογική στόχευση με τους ιούς που προκαλούν ασθένειες στον άνθρωπο.
Ο ΦX174 ήταν ιδανικός για ένα τέτοιο πείραμα επειδή διαθέτει ένα εξαιρετικά μικρό γονιδίωμα και έχει μελετηθεί επί δεκαετίες.
Ήταν μάλιστα ιστορικά το πρώτο πλήρες γονιδίωμα που αλληλουχήθηκε, το 1977.
Οι ερευνητές χρησιμοποίησαν τα Evo 1 και Evo 2, τα οποία είχαν ήδη εκπαιδευτεί πάνω σε περισσότερα από δύο εκατομμύρια γονιδιώματα βακτηριοφάγων, και στη συνέχεια εξειδίκευσαν τα μοντέλα χρησιμοποιώντας ένα επιμελημένο σύνολο 14.466 συγγενικών ακολουθιών Microviridae.
Από εκεί ξεκίνησε το πραγματικό πείραμα.
Η AI άρχισε να προτείνει νέες γονιδιωματικές δομές.
Οι επιστήμονες τις αξιολόγησαν υπολογιστικά, επέλεξαν τις πιο υποσχόμενες και τελικά δοκίμασαν εργαστηριακά 285 διαφορετικά σχέδια.
Το αποτέλεσμα ήταν 16 λειτουργικοί βακτηριοφάγοι.
Με άλλα λόγια, το ποσοστό επιτυχίας ήταν περίπου 5,6%.
Δεν ακούγεται εντυπωσιακό.
Για τη συνθετική βιολογία όμως είναι.
Γιατί ο στόχος δεν ήταν να προβλέψει η AI ποιος ήδη γνωστός ιός θα λειτουργήσει.
Ήταν να δημιουργήσει νέες γενετικές λύσεις.
Οι 16 ιοί δεν ήταν απλώς «κακές απομιμήσεις»
Εδώ βρίσκεται ίσως το εντυπωσιακότερο αποτέλεσμα.
Οι επιτυχημένοι βακτηριοφάγοι δεν ήταν απλώς ελαφρά τροποποιημένα αντίγραφα του φυσικού ΦX174.
Οι ερευνητές διαπίστωσαν σημαντική γενετική απόσταση από τους πλησιέστερους φυσικούς συγγενείς τους.
Κάθε λειτουργικό γονιδίωμα περιείχε από 67 έως 392 μεταβολές σε σχέση με τον πλησιέστερο γνωστό φυσικό ιό.
Σε 13 από τα 16 εντοπίστηκαν μεταβολές που δεν υπήρχαν στις γνωστές φυσικές ακολουθίες που εξέτασαν οι ερευνητές.
Ένας από τους τεχνητούς βακτηριοφάγους ήταν μάλιστα αρκετά διαφορετικός ώστε, με βάση ορισμένα ταξινομικά κριτήρια, να μπορούσε να θεωρηθεί νέο είδος.
Αυτό αλλάζει το νόημα του πειράματος.
Η AI δεν λειτουργεί πλέον μόνο ως ένα γιγαντιαίο σύστημα αναζήτησης μέσα στη βιβλιοθήκη της φύσης.
Αρχίζει να εξερευνά πιθανούς βιολογικούς συνδυασμούς που η φυσική εξέλιξη ενδέχεται να μην έχει δοκιμάσει ποτέ.
Και ορισμένοι ήταν καλύτεροι από τον φυσικό ιό
Η ομάδα προχώρησε ακόμη περισσότερο.
Ορισμένοι από τους AI-generated βακτηριοφάγους παρουσίασαν μεγαλύτερη βιολογική αποτελεσματικότητα από το φυσικό πρότυπο σε συγκεκριμένες εργαστηριακές δοκιμές.
Και όταν χρησιμοποιήθηκαν συνδυασμοί των νέων βακτηριοφάγων, κατάφεραν να ξεπεράσουν την αντίσταση σε στελέχη E. coli στα οποία ο φυσικός ΦX174 δεν μπορούσε πλέον να επιβληθεί.
Αυτό ανοίγει μια εξαιρετικά σημαντική θεραπευτική προοπτική.
Το όπλο απέναντι στα υπερβακτήρια
Η μικροβιακή αντοχή στα αντιβιοτικά εξελίσσεται σε μία από τις σοβαρότερες απειλές για τη σύγχρονη ιατρική.
Βακτήρια που κάποτε αντιμετωπίζονταν σχετικά εύκολα αποκτούν ολοένα μεγαλύτερη ανθεκτικότητα στα διαθέσιμα φάρμακα.
Για τον λόγο αυτό έχει αναζωπυρωθεί το ενδιαφέρον για τη λεγόμενη phage therapy.
Η ιδέα είναι σχετικά απλή: αντί να χρησιμοποιείται αποκλειστικά ένα αντιβιοτικό για την εξόντωση ενός βακτηρίου, χρησιμοποιείται ένας ιός ο οποίος έχει εξελιχθεί ώστε να μολύνει το συγκεκριμένο βακτήριο.
Το Stanford δημιούργησε το 2026 ειδικό Center for Phage Pharmaceuticals, με στόχο την ανάπτυξη θεραπειών εναντίον ανθεκτικών βακτηριακών λοιμώξεων.
Οι βακτηριοφάγοι έχουν το πλεονέκτημα ότι μπορούν να είναι εξαιρετικά εξειδικευμένοι ως προς το βακτηριακό είδος που προσβάλλουν.
Το μεγάλο πρόβλημα μέχρι σήμερα είναι ότι οι επιστήμονες έπρεπε συχνά να αναζητούν στη φύση τον κατάλληλο βακτηριοφάγο.
Τώρα εμφανίζεται ένα ριζικά διαφορετικό ενδεχόμενο:
να μην ψάχνουμε απλώς τον κατάλληλο ιό — αλλά να τον σχεδιάζουμε.
Εάν αυτή η τεχνολογία ωριμάσει, ένας βακτηριακός παθογόνος οργανισμός που αποκτά αντίσταση θα μπορούσε θεωρητικά να αντιμετωπίζεται με μια νέα γενιά εξατομικευμένων βακτηριοφάγων.
Αυτό θα μπορούσε να αλλάξει ριζικά τον πόλεμο εναντίον των ανθεκτικών λοιμώξεων.
Εκεί όμως αρχίζει και ο εφιάλτης της βιοασφάλειας
Η ίδια ακριβώς ικανότητα που δημιουργεί τη θεραπευτική υπόσχεση δημιουργεί και το πρόβλημα.
Μία τεχνολογία που μπορεί να μάθει τους «γραμματικούς κανόνες» ενός γονιδιώματος και να δημιουργήσει νέες λειτουργικές βιολογικές ακολουθίες είναι, από τη φύση της, τεχνολογία dual use.
Μπορεί να χρησιμοποιηθεί για καλό.
Μπορεί δυνητικά να χρησιμοποιηθεί και για κακό.
Οι Tom Inglesby και Moritz Hanke του Johns Hopkins Center for Health Security προειδοποίησαν σε συνοδευτικό σχόλιο της δημοσίευσης ότι η δυνατότητα σύνθεσης ιικών γονιδιωμάτων μέσω γεννητικής AI είναι πλέον πραγματική, ενώ το κανονιστικό πλαίσιο που απαιτείται για την ασφαλή διαχείρισή της δεν έχει ωριμάσει με την ίδια ταχύτητα.
Αυτό δεν σημαίνει ότι κάποιος μπορεί σήμερα να ανοίξει ένα chatbot και να του ζητήσει να δημιουργήσει έναν καταστροφικό ανθρώπινο ιό.
Απέχουμε πολύ από αυτό.
Σημαίνει όμως ότι έχει αποδειχθεί μια βασική αρχή: η AI μπορεί να περάσει από την πρόβλεψη της βιολογίας στον σχεδιασμό της.
Και από τη στιγμή που μια ικανότητα αποδεικνύεται σε απλά βιολογικά συστήματα, το ερώτημα μετατρέπεται από το «είναι δυνατό;» στο «μέχρι πού μπορεί να φτάσει;».
Tι ΔΕΝ απέδειξε το πείραμα
Σε αυτό το σημείο χρειάζεται μεγάλη προσοχή.
Δεν υπάρχει σήμερα απόδειξη ότι η συγκεκριμένη τεχνολογία μπορεί να σχεδιάσει έναν λειτουργικό ανθρώπινο παθογόνο ιό.
Οι βακτηριοφάγοι που χρησιμοποιήθηκαν έχουν πολύ μικρά γονιδιώματα και θεωρούνται πολύ απλούστερος στόχος από πολύπλοκους ιούς που μολύνουν ανθρώπους ή ζώα.
Ο Tom Ellis, καθηγητής Synthetic Genome Engineering στο Imperial College London, τόνισε ότι το συγκεκριμένο γονιδίωμα βρίσκεται ουσιαστικά στο απλούστερο άκρο του φάσματος. Υποστήριξε επίσης ότι ο άμεσος κίνδυνος από τον πλήρη AI σχεδιασμό νέων παθογόνων δεν πρέπει να υπερβάλλεται, καθώς η τροποποίηση ήδη υπαρχόντων παθογόνων παραμένει τεχνικά πολύ ευκολότερη.
Αυτό είναι κρίσιμο.
Η κατεύθυνση της τεχνολογίας είναι αυτή που προκαλεί ανησυχία.
Το πρόβλημα των ανοικτών μοντέλων
Η συζήτηση γίνεται ακόμη πιο σύνθετη επειδή το Evo 2 είναι ανοικτό μοντέλο.
Οι δημιουργοί του επέλεξαν την ανοικτή διάθεση για να επιταχύνουν την επιστημονική έρευνα.
Το μοντέλο, τα εργαλεία και μεγάλο μέρος του σχετικού οικοσυστήματος έχουν γίνει διαθέσιμα στην ερευνητική κοινότητα.
Από επιστημονική σκοπιά, αυτό αποτελεί τεράστιο πλεονέκτημα.
Χιλιάδες εργαστήρια μπορούν να πειραματιστούν.
Νέες εφαρμογές μπορούν να εμφανιστούν γρηγορότερα.
Η βιοϊατρική έρευνα επιταχύνεται.
Αλλά η ανοικτή πρόσβαση δημιουργεί και ένα θεμελιώδες πρόβλημα ασφαλείας.
Τι συμβαίνει όταν ένα σύστημα το οποίο έχει σκόπιμα εκπαιδευτεί χωρίς ορισμένα επικίνδυνα δεδομένα μπορεί στη συνέχεια να τροποποιηθεί από τρίτους;
Έρευνα που δημοσιεύθηκε το 2025 εξέτασε ακριβώς αυτή την αδυναμία, δείχνοντας ότι οι περιορισμοί μέσω αποκλεισμού επικίνδυνων δεδομένων από την αρχική εκπαίδευση δεν πρέπει να θεωρούνται από μόνοι τους απόλυτη εγγύηση ασφάλειας για ανοικτά genomic language models.
Αυτό μεταφέρει το πρόβλημα από το μοντέλο σε ολόκληρη την αλυσίδα.
Η πραγματική άμυνα ίσως βρίσκεται στο DNA, όχι μόνο στην AI
Οι ειδικοί στη βιοασφάλεια επισημαίνουν ότι δεν αρκεί να ελέγχει κανείς μόνο τα μοντέλα AI.
Υπάρχει ένα ακόμη κρίσιμο σημείο ελέγχου: η φυσική σύνθεση γενετικού υλικού.
Ο υπολογιστής μπορεί να δημιουργήσει εκατομμύρια ψηφιακές ακολουθίες.
Αυτό από μόνο του δεν δημιουργεί έναν ιό.
Για να μετατραπεί το ψηφιακό σχέδιο σε φυσικό βιολογικό σύστημα απαιτούνται επιπλέον στάδια, εξειδικευμένες υποδομές και εργαστηριακή τεχνογνωσία.
Γι’ αυτό ειδικοί όπως η Filippa Lentzos του King’s College London υποστηρίζουν ένα πολυεπίπεδο μοντέλο ασφάλειας: έλεγχο των AI models, αξιολόγηση επικίνδυνων ερευνητικών προτάσεων, screening παραγγελιών συνθετικού DNA και αυστηρή εργαστηριακή βιοασφάλεια.
Το ζήτημα είναι ότι όσο περισσότερο η AI δημιουργεί πραγματικά νέες ακολουθίες, τόσο δυσκολότερο γίνεται ένα απλό σύστημα ασφαλείας που βασίζεται αποκλειστικά στη σύγκριση με κατάλογο ήδη γνωστών επικίνδυνων γονιδιωμάτων.
Ο αυριανός βιολογικός κίνδυνος μπορεί να μην μοιάζει απόλυτα με κάτι που υπάρχει ήδη στη βάση δεδομένων.
Και αυτό αποτελεί ίσως το μεγαλύτερο κανονιστικό πρόβλημα.
Οι ΗΠΑ αλλάζουν ήδη τους κανόνες — αλλά η τεχνολογία κινείται ταχύτερα
Το αρχικό επιχείρημα ότι δεν υπάρχει κανένα ρυθμιστικό πλαίσιο χρειάζεται πάντως διόρθωση.
Οι ΗΠΑ έχουν ήδη κινηθεί προς αυστηρότερο έλεγχο της έρευνας υψηλού βιολογικού κινδύνου.
Στις 28 Ιουλίου 2026 εκδόθηκε νέα ομοσπονδιακή πολιτική για τη διακοπή High-Risk Life Sciences Research, η οποία απαγορεύει την ομοσπονδιακή υποστήριξη για συγκεκριμένες κατηγορίες επικίνδυνης gain-of-function έρευνας και εισάγει ενισχυμένους μηχανισμούς αξιολόγησης και αναφοράς.
Παράλληλα, ήδη υφιστάμενα αμερικανικά πλαίσια ενθαρρύνουν την εποπτεία ακόμη και καθαρά υπολογιστικής έρευνας όταν αυτή μπορεί να οδηγήσει στον σχεδιασμό επικίνδυνων βιολογικών παραγόντων.
Άρα δεν υπάρχει πλήρες ρυθμιστικό κενό.
Υπάρχει όμως κάτι ίσως πιο ανησυχητικό: ένας αγώνας ταχύτητας μεταξύ της τεχνολογικής δυνατότητας και της ικανότητας των θεσμών να καταλάβουν τι ακριβώς πρέπει να ρυθμίσουν.
Και συνήθως η τεχνολογία κινείται γρηγορότερα.
Η συνθετική βιολογία συναντά την εποχή της γενετικής ΑΙ
Για δεκαετίες η γενετική μηχανική λειτουργούσε κυρίως με μία λογική τροποποίησης.
Παίρνω ένα υπάρχον γονίδιο.
Το αλλάζω.
Αφαιρώ ένα κομμάτι.
Προσθέτω ένα άλλο.
Συνδυάζω γνωστά στοιχεία.
Η γενετική βιολογία εισάγει μία διαφορετική φιλοσοφία.
Δεν διορθώνει απλώς το υπάρχον. Προτείνει το καινούργιο.
Ακριβώς όπως ένα μοντέλο εικόνας μπορεί να δημιουργήσει ένα πρόσωπο που δεν υπήρξε ποτέ, ένα γονιδιωματικό μοντέλο μπορεί πλέον να προτείνει μία ακολουθία που η φύση δεν έχει καταγράψει.
Η τεράστια διαφορά είναι ότι μία τεχνητή εικόνα παραμένει εικόνα.
Ένα τεχνητό γονιδίωμα, εφόσον αποδειχθεί λειτουργικό, μπορεί να αποκτήσει φυσική παρουσία.
Μπορεί να αντιγραφεί.
Μπορεί να εξελιχθεί.
Μπορεί να αλληλεπιδράσει με άλλους οργανισμούς.
Και ακριβώς γι’ αυτό η γενετική βιολογία δεν μπορεί να αντιμετωπιστεί σαν ακόμη μία εφαρμογή της γενετικής AI.
Το μεγάλο ερώτημα: έχουμε περάσει το σημείο χωρίς επιστροφή;
Η επιστημονική κοινότητα έχει κάθε λόγο να είναι ενθουσιασμένη.
Η δυνατότητα σχεδιασμού βακτηριοφάγων μπορεί να οδηγήσει σε νέες θεραπείες.
Η AI μπορεί να επιταχύνει δραματικά την ανακάλυψη φαρμάκων.
Μπορεί να σχεδιάσει νέες πρωτεΐνες.
Να βοηθήσει στην καταπολέμηση ανθεκτικών βακτηρίων.
Να δημιουργήσει βιολογικά εργαλεία που η φύση δεν μας έδωσε έτοιμα.
Θα ήταν λάθος να παρουσιάζεται κάθε τέτοια πρόοδος ως προάγγελος βιολογικής καταστροφής.
Θα ήταν όμως εξίσου λάθος να αγνοείται το ιστορικό σημείο στο οποίο έχουμε φτάσει.
Το 1977 μάθαμε να διαβάζουμε για πρώτη φορά ολόκληρο το γονιδίωμα του ΦX174.
Το 2003 αποδείχθηκε ότι ένα τέτοιο γονιδίωμα μπορούσε να συντεθεί χημικά.
Και τώρα, στην εποχή της AI, ένα μοντέλο μπόρεσε να σχεδιάσει νέες λειτουργικές εκδοχές του.
Η μετάβαση είναι εντυπωσιακή:
Από την ανάγνωση του κώδικα της ζωής, περάσαμε στη γραφή του.
Και από τη γραφή, περνάμε πλέον στον σχεδιασμό.
Αυτό είναι το πραγματικό ορόσημο.
Όχι οι 16 συγκεκριμένοι βακτηριοφάγοι.
Αλλά η απόδειξη ότι η Τεχνητή Νοημοσύνη μπορεί να αρχίσει να εξερευνά έναν χώρο βιολογικών δυνατοτήτων που μέχρι σήμερα ανήκε σχεδόν αποκλειστικά στη φυσική εξέλιξη.
Και τότε το ερώτημα που τίθεται δεν είναι μόνο επιστημονικό.
Είναι πολιτικό, στρατηγικό και τελικά υπαρξιακό: Όταν οι μηχανές μπορούν να αρχίσουν να γράφουν λειτουργικό γενετικό κώδικα, ποιος αποφασίζει τι επιτρέπεται να γράψουν;
bankingnews.gr
Ελληνικά  μπορούσε να γράψει κείμενα, να δημιουργήσει εικόνες, να συνθέσει μουσική,){kind=link}