KI-mutasjoner gjør fager opptil én million ganger mer effektive mot bakterier

KI-mutasjoner gjør fager opptil én million ganger mer effektive mot bakterier

Forskere ved University of Wisconsin–Madison har brukt en KI-modell, trent på egne labdata, til å foreslå mutasjoner i bakteriofager – virus som angriper bakterier. Ifølge universitetets kunngjøring, datert 24. september 2026, infiserte de konstruerte fagene sine bakterieverter opptil seks størrelsesordener – altså opptil rundt én million ganger – mer effektivt enn naturlige fager. Resultatene er publisert i det fagfellevurderte tidsskriftet Cell Systems, men alle tallene hviler foreløpig på universitetets egen pressekolle.

Hva som er nytt

Biokjemi-professor Vatsan Raman og teamet hans i Raman Lab bygde en KI-modell basert på data samlet inn i deres eget laboratorium. Modellens oppgave er å identifisere nye måter å bekjempe bakterier på ved hjelp av «en av deres naturlige fiender» – bakteriofager, skriver universitetet. Funnene er publisert i Cell Systems, og ifølge kunngjøringen kan de bidra til å akselerere utviklingen av alternativer til tradisjonelle antibiotika.

Kjerneresultatet er konkret: Teamet identifiserte fagemutasjoner som gjorde at fagene infiserte sine bakterieverter opptil seks størrelsesordener mer effektivt enn sine naturlig forekommende motstykker. Det er denne formuleringen kunngjøringen bruker; tittelfiguren «én million ganger» er en avrunding av seks størrelsesordener (10⁶).

Hvorfor naturlige fager skuffer

Ramanens forklaring på hvorfor fagene trenger hjelp er sentral i kunngjøringen: Naturlige fager har, som han uttrykker det, utviklet seg for middelmådighet – ikke for maksimal dødelighet. Hvis en fag dreper en hel bakteriepopulasjon, mister den vertene den trenger for å overleve og reprodusere. Evolusjonen straffer altså altfor effektive jegere.

Det betyr at naturlige fager bærer på et iboende kompromiss: De må være gode nok til å formere seg, men ikke så gode at de utsletter sin egen ressursbase. En KI-modell uten dette evolusjonære hensynet kan i prinsippet foreslå mutasjoner som naturlig seleksjon aldri ville opprettholdt over tid.

Hvordan modellen fungerer

Modellen er ikke trent på generelle biologiske datasett, men på data samlet i Raman Lab selv. Ifølge Raman lærer modellen reglene for hvilke mutasjoner som gjør fager vellykkede, og bruker disse reglene til å konstruere nye: «Modellen kan lære reglene for hvordan fager utvikler seg for å lykkes, og kan bruke disse reglene til å konstruere fager som er svært effektive mot patogener», sier han i kunngjøringen.

Teamet trente også modellen til å finne mutasjoner som rammer spesifikke bakterier og skåner andre. Universitetet beskriver dette som et nøkkelsteg mot behandlinger som kan bekjempe infeksjoner uten å forstyrre de gunstige mikrobielle samfunnene i tarmen – et velkjent problem med bredspektrede antibiotika, som rammer både sykdomsfremkallende og nyttige bakterier.

Hva det kan bety

Ifølge forskernes egen framstilling peker funnene mot to muligheter:

• Alternativer til antibiotika. Fagterapi mot antibiotikaresistente bakterier er et forskningsfelt med lang historie, og en modell som kan konstruere vesentlig mer effektive fager kan ifølge universitetet akselerere utviklingen.
• Mer presis behandling. Fager som rammer utvalgte bakterier og lar resten av mikrobiomet i fred, kunne gi behandlinger med færre bivirkninger enn tradisjonelle antibiotika.

Det er verdt å merke seg at dette er forskernes potensialvurderinger, ikke dokumenterte kliniske resultater.

Forbehold og åpne spørsmål

Alle de kvantitative funnene – inkludert tallet på seks størrelsesordener – stammer fra én kilde: UW–Madisons kunngjøring. Teksten er gjengitt nesten ordrett både av MSN og Madison.com 24. september 2026, men det er samme pressemelding i begge tilfeller, ikke uavhengig dekning. Cell Systems-artikkelen selv er ikke gjennomgått for denne saken, og pressemeldingen oppgir ikke:

• hvilke bakteriearter som ble testet;
• om fagene ble testet i cellekultur eller i levende organismer;
• detaljer om treningsdataene;
• tidslinjer for eventuell terapeutisk bruk.

Ett større spørsmål reiser pressemeldingen ikke i det hele tatt: biosikkerheten ved å bruke KI til å konstruere virus som er vesentlig mer effektive til å infisere sine verter. Fagene angriper bakterier, ikke mennesker, men metoden – en modell som lærer reglene for vellykket virusutvikling og anvender dem – reiser spørsmål som forskningsmiljøet og tilsynsmyndigheter må forholde seg til.

Foreløpig er det tryggeste oppsummeringen at dette er et lovende laboratorieresultat, beskrevet av forskernes eget universitet, som fortjener verifisering gjennom selve fagpublikasjonen og uavhengig replikasjon før de store konklusjonene trekkes.

---

AI mutations make phages up to one million times more effective against bacteria

Researchers at the University of Wisconsin–Madison have used an AI model, trained on their own lab data, to suggest mutations in bacteriophages — viruses that attack bacteria. According to the university's announcement, dated September 24, 2026, the engineered phages infected their bacterial hosts up to six orders of magnitude — that is, up to roughly a million times — more effectively than natural phages. The results are published in the peer-reviewed journal Cell Systems, but for now all the numbers rest on the university's own press release.

What Is New

Biochemistry professor Vatsan Raman and his team in the Raman Lab built an AI model based on data collected in their own laboratory. The model's task is to identify new ways to fight bacteria using "one of their natural enemies" — bacteriophages, the university writes. The findings are published in Cell Systems, and according to the announcement they could help accelerate the development of alternatives to traditional antibiotics.

The core result is concrete: the team identified phage mutations that made the phages infect their bacterial hosts up to six orders of magnitude more effectively than their naturally occurring counterparts. That is the phrasing the announcement uses; the headline figure of "a million times" is a rounding of six orders of magnitude (10⁶).

Why Natural Phages Fall Short

Raman's explanation of why phages need help is central to the announcement: natural phages have, in his words, evolved for mediocrity — not for maximum lethality. If a phage kills an entire bacterial population, it loses the hosts it needs to survive and reproduce. Evolution, in other words, punishes overly effective hunters.

That means natural phages carry an inherent compromise: they must be good enough to reproduce, but not so good that they wipe out their own resource base. An AI model without this evolutionarily self-interested constraint can, in principle, suggest mutations that natural selection would never have sustained over time.

How the Model Works

The model is not trained on general biological datasets, but on data collected in the Raman Lab itself. According to Raman, the model learns the rules for which mutations make phages successful, and uses those rules to construct new ones: "The model can learn the rules by which phages evolve to be successful and can use those rules to engineer phages that are highly effective against pathogens," he says in the announcement.

The team also trained the model to find mutations that hit specific bacteria while sparing others. The university describes this as a key step toward treatments that can fight infections without disturbing the beneficial microbial communities in the gut — a well-known problem with broad-spectrum antibiotics, which affect both disease-causing and useful bacteria.

What It Could Mean

According to the researchers' own framing, the findings point to two possibilities:

• Alternatives to antibiotics. Phage therapy against antibiotic-resistant bacteria is a research field with a long history, and a model that can construct substantially more effective phages could, according to the university, accelerate development.
• More precise treatment. Phages that target selected bacteria and leave the rest of the microbiome alone could yield treatments with fewer side effects than traditional antibiotics.

It is worth noting that these are the researchers' assessments of potential, not documented clinical results.

Caveats and Open Questions

All the quantitative findings — including the six-orders-of-magnitude figure — come from a single source: UW–Madison's announcement. The text was republished nearly verbatim by both MSN and Madison.com on September 24, 2026, but that is the same press release in both cases, not independent coverage. The Cell Systems paper itself has not been reviewed for this story, and the press release does not state:

• which bacterial species were tested;
• whether the phages were tested in cell culture or in living organisms;
• details about the training data;
• timelines for any therapeutic use.

One larger question the press release does not raise at all: the biosafety implications of using AI to engineer viruses that are substantially more effective at infecting their hosts. Phages attack bacteria, not humans, but the method — a model that learns the rules of successful viral evolution and applies them — raises questions that the research community and oversight authorities will have to address.

For now, the safest summary is that this is a promising laboratory result, described by the researchers' own university, that deserves verification through the actual peer-reviewed publication and independent replication before the big conclusions are drawn.