综述：新兴技术在抗病毒领域的应用

《Antiviral Research》：Application of Emerging Technologies in the Antiviral Field

　　

摘要

病毒性传染病对全球公共卫生、农业生产和生物安全构成严重威胁。传统的抗病毒策略往往受限于对疾病机制理解的不足、靶向精确性差以及响应速度慢等问题。新兴技术正在重塑抗病毒研究的格局。本综述探讨了四个关键前沿领域的角色，包括类器官模型、基因编辑、人工智能驱动的分子设计以及合成生物学。类器官提供了生理相关性平台，可模拟病毒-宿主相互作用和疾病进展。病毒感染仍然是人类和动物健康、农业及生物安全面临的主要挑战。抗病毒研究的进展受到病毒发病机制复杂性、病毒多样性与快速进化能力，以及某些传统模型系统转化相关性有限等因素的制约。近年来，类器官技术、基因编辑、人工智能和合成生物学等方面的进展，正在不断扩展抗病毒研究与开发所可用到的工具箱。在本综述中，我们讨论了这四大技术前沿如何共同促进疾病建模、靶点发现、分子设计以及转化创新。特别是类器官，提供了生理相关的系统，可用于研究病毒感染、组织嗜性、宿主反应和发病机制。基因编辑工具（如CRISPR）能够精确操作宿主和病毒基因组，从而促进抗性生物体的开发以及下一代疫苗平台的构建。人工智能技术（包括用于结构预测的AlphaFold和从头蛋白质设计平台等）解决了结构生物学中长期的瓶颈问题，并为工程化设计抗病毒蛋白、抗体和疫苗抗原提供了强大手段。合成生物学以"设计-构建-测试-学习"（Design-Build-Test-Learn, DBTL）循环为指导，将计算设计、基因组装和功能验证整合成一条完整的流水线。这些技术共同构成了一个协同工作流程，涵盖疾病建模、靶点发现、分子设计、构建、测试以及迭代优化等各个环节。这种整合性方法正在推动抗病毒开发从传统的经验方法转向更加精准、智能的策略。本综述还指出了整合与规模化方面面临的持续挑战，并强调高质量生物学数据集以及更强的跨学科协作对于实现转化潜力至关重要。通过呈现这些相互汇聚方法的整体图景，本综述为引导人类和动物健康领域抗病毒策略的智能化演进提供了框架。

引言

传统的抗病毒防控策略，无论是针对人类还是动物病毒，都在减轻病毒性传染病负担方面发挥了关键作用。经验性开发的灭活或减毒疫苗、基于表型的药物筛选，以及经典体外模型结合实验动物研究等手段，为抗病毒研究与干预提供了重要基础（Clevers, 2016; De Meyer and Meuleman, 2024; Guedes-da-Silva et al., 2025; Huang et al., 2016）。

然而，这些策略正日益面临重大挑战。对于突变率较高的RNA病毒——如HIV、流感病毒以及猪流行性腹泻病毒等，传统疫苗的开发与更新往往难以跟上病毒快速进化的步伐，从而可能影响其保护效力（Krammer, 2019）。二维细胞培养系统和传统实验动物模型长期以来一直是研究病毒机制和评价抗病毒药物的重要平台。这些模型为病毒复制、宿主反应和治疗干预提供了大量洞见。然而，每种系统都有其固有的局限：二维细胞培养往往无法捕捉组织微环境的复杂性，而动物模型可能因物种特异性差异而影响病毒-宿主相互作用。因此，类器官模型作为一种互补性平台应运而生，引入了三维结构以及更高的细胞复杂性。类器官并非取代传统系统，而是为体外研究病毒感染和发病机制增添了生理相关性层面（Barrila et al., 2010; Wahl et al., 2019）。

这些瓶颈共同导致人类和动物的抗病毒防控始终面临"响应慢、靶向精度低、机制阐明浅"的困境（Martin et al., 2025）。近年来，由合成生物学推动的技术创新正在变革生命科学研究的根本框架，为突破这些瓶颈提供了全新的方法学和技术途径（Kitano et al., 2023）。与传统"描述-分析"的研究路径不同，合成生物学以"设计-构建-测试-学习（DBTL）"循环为核心，通过工程化思维实现对生物系统可预测、可编程的修饰与调控（Mirchandani et al., 2025）。在这一框架内，三大前沿技术——类器官、基因编辑和人工智能——并非孤立存在，而是形成一个紧密协同的整体力量，共同推动抗病毒研究迈向新阶段（Chu and Lamers, 2024）。

这些技术的协同融合建立了一种全新的研发逻辑：类器官提供了一种高度仿生的人体体外微环境模拟平台，可准确重现人类和动物的病毒感染过程（Clevers, 2016）；基因编辑技术提供精确的基因组修饰和工具构建能力，覆盖靶点验证、抗病载体开发等关键环节（Puschnik et al., 2017a）；人工智能已成为理性分子设计的重要工具，有助于克服传统研究中效率低下的局限，并实现从分子结构解析到干预分子开发的关键跃迁（Jumper et al., 2021a）。在合成生物学的DBTL循环中，这三项技术形成了一个闭环：人工智能贡献于设计阶段（例如结构预测和分子设计）（Kitano, 2007）；基因编辑和合成生物学技术主要支撑实验工具与干预分子的精确生成（Zhou and Simonian, 2024）；类器官模型作为高度仿真的平台，用于评价干预策略的效力和安全性（Han et al., 2024）；最后，实验测试所产生的大量数据反馈至AI模型中，进行迭代学习和优化，逐步形成可程式化的抗病毒防控框架（Kitano et al., 2023）。

基于上述进展，本综述旨在系统总结在人类和动物抗病毒防控领域中三类核心技术——类器官模型、基因编辑技术（重点关注基于CRISPR的诊断检测与抗体筛选平台）以及人工智能（重点聚焦蛋白质结构预测和理性设计）——的基本原理、实际应用和前沿进展。具体而言，本综述将重点分析这些技术作为一个整合且协同的整体，如何应对传统防控策略长期面临的瓶颈问题。本工作首次从合成生物学的视角出发，深入探讨这些技术的内在关联、可行的整合路径以及由此衍生出的新型研发（R&D）模式。最后，本综述将客观分析当前跨学科面临的挑战，并前瞻构建智能化、精准化动物病毒防控体系的未来发展方向，力求为相关领域的学术研究、技术开发和产业转化提供全面的视角和系统参考。

内容片段

抗病毒研究的整合DBTL框架

本综述总结了四大核心技术——类器官模型、基因编辑技术、人工智能（AI）驱动的分子设计和合成生物学——在抗病毒研究中的整合应用。这些技术并非孤立运作，而是形成了一个相互连接的技术体系，并被系统性地整合进合成生物学的"设计-构建-测试-学习"（DBTL）闭环框架中（Foldi et al., 2024; Zournas et al., 2025）。在设计阶段……

类器官模型

类器官技术通过干细胞在体外三维培养条件下的自组织和分化，实现对真实器官关键结构与功能的模拟（Li et al., 2025b; Zhou et al., 2024）。类器官是一种由胚胎干细胞、诱导多能干细胞或成体干细胞自组装形成的三维多细胞系统，可重现类似于体内器官的空间架构和生理功能（Zhou et al., 2024）。

基因编辑技术

基因编辑技术利用人工设计的核酸酶在特定基因组位点诱导双链断裂（DSBs），并通过细胞内源性修复通路实现基因敲除、敲入或定向突变（Hawsawi et al., 2022）。以CRISPR-Cas系统为代表的这类新一代编辑工具，被认为是高度可编程、易于操作且可扩展的，在抗病毒研究中具有广阔的分子干预前景（Hu et al., 2024; Yang et al., 2025a）。

人工智能

人工智能（AI）正以前所未有的深度介入生命科学研究。在抗病毒领域，AI的核心价值已从早期的数据分析与模式识别，演变为贯穿病毒机制阐明、干预策略设计和防控决策的"理性设计引擎"（Zhou et al., 2025）。以DeepMind的AlphaFold为代表的人工智能蛋白质结构预测，解决了长期制约结构生物学发展的关键瓶颈……

迈向整合的抗病毒研发框架：发现策略、开发流程与转化

展望未来，新兴技术对抗病毒研究的影响将取决于它们被有效地整合进更广泛研发管线的程度（De Clercq and Li, 2016）。尽管前文从不同技术视角讨论了类器官、基因编辑、分子设计和合成生物学，但它们的转化价值最终取决于它们如何支持抗病毒开发的主要阶段，从苗头化合物发现到先导化合物优化、临床前评价，以及……

结论

总体而言，类器官、基因编辑、AI驱动的分子设计与合成生物学的整合，标志着抗病毒研究的一次变革性突破。这种汇聚形成了一种协同创新体系，推动抗病毒策略从经验性、试错式的方法转向预测性、可编程、可迭代优化的工作流程。类器官重现了组织特异性感染微环境；AlphaFold等AI工具使快速结构洞见和理性……

CRediT作者贡献声明

Lele Zhang：方法论、正式分析、概念化。
Tengda Guo：方法论、数据整理、概念化。
Xiaoyan Zhang：撰写——初稿、正式分析、数据整理。
Yongtao Li：监督、项目管理、经费获取。
Wenjuan Du：验证、方法论、调查研究。
Shen Wang：可视化、验证、监督、资源。

未被引用的参考文献

Lenalidomide Causes Selective Degradation of IKZF1 and IKZF3 in Multiple Myeloma Cells, 2014；Single-cell analyses reveal SARS-CoV-2 interference with intrinsic immune response in the human gut, 2021；Clevers；Hou et al., 3rd；Kim et al.；Miller and Krijnse-Locker；Richman；See et al., 2024；Wispelaere et al.

出版同意

不适用。

伦理批准与参与同意

不适用。

数据与材料的可用性

不适用。

利益冲突

作者声明不存在利益冲突。

伦理批准与参与同意

不适用。这是一篇叙述性综述，不涉及人类受试者或动物实验。

数据可用性

在撰写本综述过程中未生成或分析新的原始数据。

出版同意

不适用。

利益冲突

作者声明不存在任何可能影响本论文所报告工作的已知的竞争性财务利益或个人关系。

资助

不适用。

利益冲突声明

作者声明不存在任何可能影响本手稿所报告研究工作与结论的已知的竞争性财务利益、个人关系或职业隶属关系。

所有作者均未获得与本综述主题内容相关的讲演费、咨询费、专利版税、股票所有权、研究资助或其他财务利益，也不存在与新兴……

致谢

不适用。

Xiaoyan Zhang | Lele Zhang | Tengda Guo | Wenjuan Du | Shen Wang | Yongtao Li