响应式网站页面设计福彩网站开发
每周跟踪AI热点新闻动向和震撼发展 想要探索生成式人工智能的前沿进展吗？订阅我们的简报，深入解析最新的技术突破、实际应用案例和未来的趋势。与全球数同行一同，从行业内部的深度分析和实用指南中受益。不要错过这个机会，成为AI领域的领跑者。点击订阅，与未来同行！ 订阅：https://rengongzhineng.io/
每年，全球公共卫生专家都必须做出一项高风险的决定：下一季流感疫苗应包含哪些毒株？ 这个选择需要在流感季节到来前数月做出，往往像是一场与时间赛跑。如果预测的毒株与实际流行的吻合，疫苗的保护效果就会很高；但如果判断失误，保护力就会显著下降，从而导致本可避免的疾病传播，并加重医疗体系负担。
在新冠疫情的几年中，科学家们对这种挑战更加熟悉。新冠病毒在疫苗刚刚推开时便不断出现新变异株，流感就像它“不安分的表亲”，同样以不可预测的方式快速突变。这使得疫苗的研发和设计极其困难。
为降低这种不确定性，麻省理工学院计算机科学与人工智能实验室（CSAIL）与 MIT 阿卜杜勒·拉蒂夫·贾米尔健康机器学习诊所的科学家们，研发了一套名为 VaxSeer 的人工智能系统。该系统旨在提前数月预测主要流感毒株，并帮助识别最具保护性的疫苗候选株。VaxSeer 借助在数十年病毒序列和实验室测试结果上训练的深度学习模型，模拟流感病毒的演化路径以及疫苗的应对效果。
传统的进化模型通常只单独分析某个氨基酸突变的影响。而 VaxSeer 采用大型蛋白语言模型，能够学习突变组合效应与毒株优势地位之间的关系。论文第一作者、MIT 电气工程与计算机科学系博士生、CSAIL 研究员施文贤解释说：“与现有蛋白语言模型假设病毒变异是静态分布不同，我们对动态的毒株优势转移进行建模，这让它更适用于像流感这样快速演化的病毒。”
这项研究报告已于今日在《自然·医学》（Nature Medicine）上公开发表。
流感疫苗的未来
VaxSeer 拥有两个核心预测引擎：
优势预测引擎：估算某一毒株未来的传播能力（dominance）。
抗原性预测引擎：估算疫苗对该毒株的中和效果。
这两个结果会结合生成一个预测覆盖分数，用于衡量某款疫苗在未来对流行病毒的整体保护水平。该分数范围从负无穷大到 0，越接近 0，说明疫苗与病毒的抗原匹配度越好（可以理解为“距离”的负数）。
研究团队进行了为期 10 年的回溯性研究，将 VaxSeer 的推荐与世界卫生组织（WHO）的选择进行比较，涵盖两大流感亚型：A/H3N2 和 A/H1N1。结果显示：
A/H3N2：VaxSeer 在 10 个流感季中有 9 个赛季优于 WHO 的推荐。
A/H1N1：在 10 个赛季中，VaxSeer 的表现有 6 次优于或与 WHO 相当。
一个显著的案例是 2016 年流感季：VaxSeer 提出的候选株直到第二年才被 WHO 选用。此外，模型的预测结果与 CDC（美国疾控中心）、加拿大 Sentinel 从业者监测网络以及欧洲 I-MOVE 项目的真实世界疫苗效果估算高度相关。其覆盖分数与流感相关疾病与就诊减少情况紧密吻合。
VaxSeer 如何运作
直观上，模型首先通过蛋白语言模型估算病毒毒株随时间的传播速度，然后结合毒株之间的竞争关系来推算其优势地位。
这些结果会输入一个基于常微分方程（ODE）的数学框架，用来模拟病毒的传播过程。
在抗原性预测方面，系统会估算某个疫苗毒株在实验室 血凝抑制试验（HI assay） 中的表现。该试验衡量抗体阻止病毒与人类红细胞结合的能力，是判断抗原匹配度的常用指标。
追赶病毒进化的步伐
“通过对病毒演化以及疫苗作用的建模，像 VaxSeer 这样的 AI 工具有望帮助公共卫生官员做出更快、更精准的决策，让我们在感染与免疫之间的赛跑中始终领先一步。”施文贤表示。
目前，VaxSeer 仅聚焦于流感病毒的 HA（血凝素）蛋白，这是流感的主要抗原。未来版本可能会纳入其他蛋白（如 NA 神经氨酸酶）、免疫史、生产限制或剂量等因素。若要应用到其他病毒，还需具备高质量的大规模数据集，能够同时追踪病毒演化与免疫反应。但团队已着手研究低数据环境下的预测方法，利用病毒家族之间的联系进行建模。
“鉴于病毒进化速度极快，现有疗法开发往往跟不上节奏。VaxSeer 是我们努力缩短差距的一次尝试。”MIT 工程学院 AI 与健康杰出教授、贾米尔诊所 AI 负责人、CSAIL 首席研究员 Regina Barzilay 表示。
加拿大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：“这篇论文令人印象深刻，但更让我兴奋的是团队在低数据环境下预测病毒演化的持续研究。这一突破的潜在影响远超流感本身。试想，若能预测抗生素耐药菌或耐药癌症的演化路径，就能提前设计干预措施。这种预测性建模为疾病研究提供了一种全新的思路，让我们有机会走在疾病变化之前。”
这篇论文由施文贤与 Barzilay 共同撰写，联合作者还包括 MIT CSAIL 博士后 Jeremy Wohlwend、本科与硕士毕业于 MIT 的博士生 Menghua Wu 等。该研究部分得到了美国国防威胁削减局和 MIT 贾米尔诊所的资助。