??每周跟蹤AI熱點新聞動向和震撼發展 想要探索生成式人工智能的前沿進展嗎？訂閱我們的簡報，深入解析最新的技術突破、實際應用案例和未來的趨勢。與全球數同行一同，從行業內部的深度分析和實用指南中受益。不要錯過這個機會，成為AI領域的領跑者。點擊訂閱，與未來同行！ 訂閱：https://rengongzhineng.io/
每年，全球公共衛生專家都必須做出一項高風險的決定：下一季流感疫苗應包含哪些毒株？ 這個選擇需要在流感季節到來前數月做出，往往像是一場與時間賽跑。如果預測的毒株與實際流行的吻合，疫苗的保護效果就會很高；但如果判斷失誤，保護力就會顯著下降，從而導致本可避免的疾病傳播，并加重醫療體系負擔。
在新冠疫情的幾年中，科學家們對這種挑戰更加熟悉。新冠病毒在疫苗剛剛推開時便不斷出現新變異株，流感就像它“不安分的表親”，同樣以不可預測的方式快速突變。這使得疫苗的研發和設計極其困難。
為降低這種不確定性，麻省理工學院計算機科學與人工智能實驗室（CSAIL）與 MIT 阿卜杜勒·拉蒂夫·賈米爾健康機器學習診所的科學家們，研發了一套名為 VaxSeer 的人工智能系統。該系統旨在提前數月預測主要流感毒株，并幫助識別最具保護性的疫苗候選株。VaxSeer 借助在數十年病毒序列和實驗室測試結果上訓練的深度學習模型，模擬流感病毒的演化路徑以及疫苗的應對效果。
傳統的進化模型通常只單獨分析某個氨基酸突變的影響。而 VaxSeer 采用大型蛋白語言模型，能夠學習突變組合效應與毒株優勢地位之間的關系。論文第一作者、MIT 電氣工程與計算機科學系博士生、CSAIL 研究員施文賢解釋說：“與現有蛋白語言模型假設病毒變異是靜態分布不同，我們對動態的毒株優勢轉移進行建模，這讓它更適用于像流感這樣快速演化的病毒。”
這項研究報告已于今日在《自然·醫學》（Nature Medicine）上公開發表。
流感疫苗的未來
VaxSeer 擁有兩個核心預測引擎：
優勢預測引擎：估算某一毒株未來的傳播能力（dominance）。
抗原性預測引擎：估算疫苗對該毒株的中和效果。
這兩個結果會結合生成一個預測覆蓋分數，用于衡量某款疫苗在未來對流行病毒的整體保護水平。該分數范圍從負無窮大到 0，越接近 0，說明疫苗與病毒的抗原匹配度越好（可以理解為“距離”的負數）。
研究團隊進行了為期 10 年的回溯性研究，將 VaxSeer 的推薦與世界衛生組織（WHO）的選擇進行比較，涵蓋兩大流感亞型：A/H3N2 和 A/H1N1。結果顯示：
A/H3N2：VaxSeer 在 10 個流感季中有 9 個賽季優于 WHO 的推薦。
A/H1N1：在 10 個賽季中，VaxSeer 的表現有 6 次優于或與 WHO 相當。
一個顯著的案例是 2016 年流感季：VaxSeer 提出的候選株直到第二年才被 WHO 選用。此外，模型的預測結果與 CDC（美國疾控中心）、加拿大 Sentinel 從業者監測網絡以及歐洲 I-MOVE 項目的真實世界疫苗效果估算高度相關。其覆蓋分數與流感相關疾病與就診減少情況緊密吻合。
VaxSeer 如何運作
直觀上，模型首先通過蛋白語言模型估算病毒毒株隨時間的傳播速度，然后結合毒株之間的競爭關系來推算其優勢地位。
這些結果會輸入一個基于常微分方程（ODE）的數學框架，用來模擬病毒的傳播過程。
在抗原性預測方面，系統會估算某個疫苗毒株在實驗室 血凝抑制試驗（HI assay） 中的表現。該試驗衡量抗體阻止病毒與人類紅細胞結合的能力，是判斷抗原匹配度的常用指標。
追趕病毒進化的步伐
“通過對病毒演化以及疫苗作用的建模，像 VaxSeer 這樣的 AI 工具有望幫助公共衛生官員做出更快、更精準的決策，讓我們在感染與免疫之間的賽跑中始終領先一步。”施文賢表示。
目前，VaxSeer 僅聚焦于流感病毒的 HA（血凝素）蛋白，這是流感的主要抗原。未來版本可能會納入其他蛋白（如 NA 神經氨酸酶）、免疫史、生產限制或劑量等因素。若要應用到其他病毒，還需具備高質量的大規模數據集，能夠同時追蹤病毒演化與免疫反應。但團隊已著手研究低數據環境下的預測方法，利用病毒家族之間的聯系進行建模。
“鑒于病毒進化速度極快，現有療法開發往往跟不上節奏。VaxSeer 是我們努力縮短差距的一次嘗試。”MIT 工程學院 AI 與健康杰出教授、賈米爾診所 AI 負責人、CSAIL 首席研究員 Regina Barzilay 表示。
加拿大麥克馬斯特大學生物化學與生物醫學系助理教授 Jon Stokes 評價道：“這篇論文令人印象深刻，但更讓我興奮的是團隊在低數據環境下預測病毒演化的持續研究。這一突破的潛在影響遠超流感本身。試想，若能預測抗生素耐藥菌或耐藥癌癥的演化路徑，就能提前設計干預措施。這種預測性建模為疾病研究提供了一種全新的思路，讓我們有機會走在疾病變化之前。”
這篇論文由施文賢與 Barzilay 共同撰寫，聯合作者還包括 MIT CSAIL 博士后 Jeremy Wohlwend、本科與碩士畢業于 MIT 的博士生 Menghua Wu 等。該研究部分得到了美國國防威脅削減局和 MIT 賈米爾診所的資助。
