人工智能助力流感疫苗选择:MIT 团队推出 VaxSeer 系统

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:

  1. 优势预测引擎:估算某一毒株未来的传播能力(dominance)。

  2. 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。

相关推荐
Dfreedom.13 分钟前
随机裁剪 vs. 中心裁剪:深度学习中图像预处理的核心技术解析
图像处理·人工智能·深度学习·计算机视觉
Baihai_IDP17 分钟前
上下文工程实施过程中会遇到什么挑战?有哪些优化策略?
人工智能·llm·aigc
audyxiao00132 分钟前
一文可视化分析2025年8月arXiv机器学习前沿热点
人工智能·机器学习·arxiv
胖达不服输38 分钟前
「日拱一码」098 机器学习可解释——PDP分析
人工智能·机器学习·机器学习可解释·pdp分析·部分依赖图
未来智慧谷44 分钟前
华为发布星河AI广域网解决方案,四大核心能力支撑确定性网络
人工智能·华为·星河ai广域·未来智慧谷
径硕科技JINGdigital44 分钟前
工业制造行业营销型 AI Agent 软件排名及服务商推荐
大数据·人工智能
亿信华辰软件1 小时前
装备制造企业支撑智能制造的全生命周期数据治理实践
大数据·人工智能
stjiejieto1 小时前
手机中的轻量化 AI 算法:智能生活的幕后英雄
人工智能·算法·智能手机
qyz_hr1 小时前
国企人力成本管控:红海云eHR系统如何重构大型国有企业编制与预算控制体系
大数据·人工智能·重构
用户5191495848452 小时前
图思维胜过链式思维:JGraphlet构建任务流水线的八大核心原则
人工智能·aigc