噬菌體 ART 酵素系統：AI 直接讀序列揪出的重複陣列
Anthropic News · 2026-09-23
背景：基因體資料庫裡漏網的非編碼結構
Reverse transcriptase（RT）是把 RNA 反轉錄成 DNA 的酵素家族，原核生物中常見它與一段非編碼 RNA、一個效應蛋白組成系統，「retron（反轉錄子）」即是代表，會在噬菌體入侵時觸發細胞自殺以阻止感染擴散。過去要在數十億條序列裡找新 RT 家族，只能靠電腦管線比對已知系統的同源序列，再依事先定義好的特徵分類，落在既定特徵之外的異常會被直接濾掉。這類管線的新穎性其實是被規則預先限定的，真正發現新系統多半仍靠人工專家逐條檢視、憑經驗抓出反常，而這道複核關卡並不隨資料量增加而擴大規模。
核心發現：巨型噬菌體裡的 array-associated RT（ART）
Anthropic 用 Claude（模型代號 Mythos 5）架設多代理人研究框架，由工作、監督與編輯代理人分工，針對 19 億條 metagenomic 蛋白質分群、動用 52 個 RT profile HMM 進行地毯式搜尋。整趟活動跑了 119 個任務、949 個 agent session，耗費 21.5 小時（agent 總工時 77 小時）、用掉 2 億 1,560 萬個 token。流程篩出 198,290 個 RT 群集、分成 9 大類，再從 10,983 個 RT 座位旁找到的 3,564 個候選夥伴家族中選出 17 個深入調查，最終寫出 19 份報告。
其中一份報告，起點是一名工作代理人檢查某 RT 上游序列時，直接把整段 DNA 讀進脈絡，發現片段「CATGTGTATCGCATGTT」以約 100 到 180 個鹼基對的間距反覆出現，推理紀錄寫著「這是 CRISPR 式或 msDNA 式的重複陣列」。後續一支自寫的計數腳本，在同一座位確認了 14 份 16 個核苷酸的重複序列，中間夾著 100 到 200 個核苷酸長、彼此不同的間隔序列。這個陣列不屬於任何文獻已描述過的非編碼元件，團隊因此命名為 array-associated reverse transcriptase（ART）。
後續以 profile HMM 系統性比對，在已定序的巨型噬菌體與病毒 contig 中找到 95 個 90% 相似度的 RT 群集，其中 28 個上游帶有可辨識的重複陣列。這些陣列長 0.3 到 4.1 kb，由 3 到 21 份重複單元組成；重複本身 15 到 49 個核苷酸、中心有約 15 個核苷酸的迴文結構，間隔序列則長達 120 到 220 個核苷酸。與 CRISPR 陣列相比，ART 的重複邊界較不銳利、間隔序列長得多，鄰近座位也完全沒有 cas 基因，說明它只是外觀神似 CRISPR，並非真正的 CRISPR-Cas 系統。
- Type I 夥伴蛋白：59/95 座位，約 600 個胺基酸，帶兩個串聯 GNAT 乙醯轉移酶摺疊，主要見於 Listeria 噬菌體與環境分離株
- Type II 夥伴蛋白：約 270 個胺基酸的全螺旋蛋白，只出現在 Staphylococcus 噬菌體支系
- Type III 夥伴蛋白：約 170 個胺基酸，只見於一支環境分離株，三型彼此序列與結構皆不相似
驗證分兩層。團隊先重新分析公開的 Staphylococcus phage SA1 感染 S. lentus 的 RNA-seq 資料集（BioProject PRJNA836150），發現 ART 陣列在感染後 5、15、55 分鐘都大量轉錄，且不是單一長轉錄本，而是切成 165、201、166 個核苷酸等獨立短 RNA。為排除宿主專屬效應，團隊再把 SA1 的非編碼陣列接上 J23119 啟動子、RT 基因接上 araBAD 啟動子，選殖進大腸桿菌並以全質體定序驗證，測到的小 RNA 呈現同樣的離散片段模式。這是整份研究裡少數落地到濕實驗室的驗證，結構預測與親緣分析仍停留在電腦運算，ART 真正的生物功能團隊坦言仍在研究中。
| 模型讀取序列的方式 | 正確辨識出重複陣列的比例 |
|---|---|
| 整段基因座序列直接放進脈絡，不必呼叫工具 | 四個最強模型平均可達 76%，Mythos 5 單獨達 96% |
| 透過檔案或工具自行抓取序列片段 | 最低僅 32%（Opus 5 的第 4 級任務）；39% 的嘗試從未一次讀進 200 個核苷酸以上的連續片段 |
團隊把同一套搜尋流程重跑十次，卻沒有任何一次重新讀出這段上游 DNA 而發現陣列，只能歸因於代理人系統本身的非決定性行為。要穩定重現這次發現，靠的不是重跑同一套代理人流程，而是把序列直接餵進模型脈絡，這也解釋了上表讀取方式造成的落差。團隊另外在 Mythos 5 內部找到會對重複 DNA 產生反應的訊號，性質類似 Evo 2 等基因體語言模型裡已知能辨識 CRISPR 間隔序列的訊號。
影響範圍：誰該注意、注意什麼
對分子生物學研究者而言，ART 說明既有巨型噬菌體基因體裡，仍藏著預先定義特徵的比對管線抓不到的非編碼元件，值得回頭用「直接讀序列」重新檢視已定序但未深入分析的 RT 座位。CRISPR 基因編輯先驅、MIT 與 Broad Institute 教授 Feng Zhang 審閱了這份預印本並背書其結果，也代表這類異常值得同行留意。
對基因編輯工具開發者來說，ART 生物功能仍未確認，論文明白寫著這部分研究仍在進行中，現階段還不到可以拿來設計工具的成熟度，但其反轉錄子式三件式架構（RT、夥伴蛋白、非編碼 RNA 庫）值得列入觀察名單，如同當年 retron 從被發現到改造成編輯工具也花了數年。
對 AI 輔助科研的能力邊界而言，這次案例劃出的界線很具體：讓模型把完整序列讀進脈絡，比讓模型呼叫工具去查，更容易觸發異常辨識。代理人呼叫工具時常沒讀進足夠長的連續片段，等於沒看過完整的一個重複單元，重跑十次也沒能重現同一發現，說明這種「自主逛資料庫、順手抓到異常」的能力仍高度依賴任務設計與運氣，還不是能穩定量產發現的流程。