MIT利用AI预测流感病毒，效果优于WHO建议毒株

世界卫生组织（WHO）的专家小组每年召开两次会议，为下一个流感季推荐疫苗毒株。为减轻流感疾病负担，该小组的目标是优化“疫苗有效性”，即通过对比接种与未接种人群，衡量疫苗降低流感感染风险的效能。

每个流感季结束后，美国疾病控制与预防中心（CDC）等机构会通过测试阴性设计的观察性研究来评估疫苗有效性。若所选疫苗毒株与当季流行毒株高度匹配，灭活流感疫苗的有效率最高可达 40-60%。

然而，尽管经过数十年预防与监测研究，当前流感疫苗的保护效果仍有限。

为解决上述问题，麻省理工学院的科学家们开始着手提高疫苗毒株选择的准确性。他们开发了一款名为VaxSeer的人工智能系统，旨在提前数月预测主导流感毒株并确定最具保护力的候选疫苗。该工具利用经过数十年病毒序列和实验室测试结果训练的深度学习模型，模拟流感病毒的进化方式以及疫苗的反应。相关研究发表在Nature Medicine期刊。

传统的进化模型通常独立分析单个氨基酸突变的影响。VaxSeer 采用大型蛋白质语言模型来学习病毒主导性与突变组合效应之间的关系。与现有假设病毒变种静态分布的蛋白质语言模型不同，我们模拟了动态的主导性变化，使其更适用于流感等快速变异的病毒。”这项研究的主要作者 Wenxian Shi 解释道。

VaxSeer 拥有两个核心预测引擎：一个用于评估每种病毒毒株的传播可能性（主导性），另一个用于评估疫苗对该毒株的中和效果（抗原性）。两者共同生成一个预测覆盖率得分，这是衡量特定疫苗对抗未来病毒可能表现的前瞻性指标。得分范围可从负无穷到 0，得分越接近 0，说明疫苗毒株与流行病毒之间的抗原匹配度越好。

图 | VaxSeer 采用双轨模型来预测覆盖分数

在一项为期 10 年的回顾性研究中，研究人员将 VaxSeer 的推荐与 WHO 针对两种主要流感亚型（甲型 H3N2 和甲型 H1N1）的建议进行了比较。对于甲型 H3N2，基于回顾性实证覆盖率得分，VaxSeer 的选择在 10 个流感季中有 9 个表现优于 WHO。团队采用该指标评估疫苗选择，因为实际疫苗有效性仅能通过人群接种数据获得；对于甲型 H1N1，VaxSeer 在 10 个流感季中有 6 个表现优于或持平 WHO。

那么VaxSeer 究竟如何解析这些数据？

直观来说，该模型首先通过蛋白质语言模型估算病毒毒株随时间传播的速度，然后通过考量不同毒株间的竞争关系来确定其主导性。

模型完成计算后，会将结果输入基于常微分方程的数学框架，以模拟病毒随时间的传播过程。对于抗原性，系统通过血凝抑制实验来评估特定疫苗毒株的表现。该实验通过测量抗体抑制病毒结合人类红细胞的效力，成为广泛使用的抗原匹配度/抗原性代理指标。

“通过模拟病毒进化方式及疫苗与病毒的相互作用，VaxSeer 等 AI 工具能帮助卫生官员做出更优、更快的决策，在感染与免疫的竞赛中保持领先优势，”Wenxian Shi 表示。

VaxSeer 目前仅聚焦流感病毒的血凝素蛋白。未来可能整合神经氨酸酶等其他蛋白，以及免疫史、生产限制或剂量水平等因素。将该系统应用于其他病毒还需追踪病毒进化与免疫反应的大型高质量数据集，这类数据并非总是公开可用。不过该团队正在研发基于病毒科属关系、能在低数据环境下预测病毒进化的方法。

“鉴于病毒进化速度，当前治疗开发往往滞后。VaxSeer 正是我们追赶进度的尝试，”麻省理工学院工程院人工智能与健康特聘教授、CSAIL 首席研究员 Regina Barzilay 表示。

“这项研究的团队正在进行的低数据环境病毒进化预测研究，其意义远超出流感领域。这类预测建模为我们开辟了应对疾病演变的全新思路，使我们有机会抢占先机，在病毒逃逸成为重大难题前设计出临床干预方案。”安大略省汉密尔顿市麦克马斯特大学生物化学与生物医学系助理教授 Jon Stokes 评价道。

1.https://news.mit.edu/2025/vaxseer-ai-tool-to-improve-flu-vaccine-strain-selection-0828