每年，全球卫生专家都面临一项高风险决策：下一季流感疫苗应针对哪些毒株？这一选择必须提前数月做出，远在流感季开始之前，其结果直接影响疫苗的有效性。若毒株匹配成功，疫苗便能高效防护；一旦预测偏差，保护力骤降，可能导致本可避免的疾病蔓延与医疗系统压力。

这一挑战在新冠疫情时期尤为凸显——病毒变异常与疫苗研发赛跑。流感病毒同样善变，其不可预测的突变特性使得疫苗设计始终处于被动追赶状态。为减少不确定性，MIT计算机科学与人工智能实验室（CSAIL）以及Abdul Latif Jameel健康机器学习中心的研究团队开发了一款名为VaxSeer的AI系统，旨在更准确、更科学地预测主导毒株并筛选最具保护力的疫苗候选株。

VaxSeer的核心突破在于其采用蛋白质语言模型，深入分析突变组合效应而非单一氨基酸变异。该系统通过深度学习，模拟病毒演化与疫苗免疫应答之间的动态关系。“传统模型假设病毒变异分布静态，而VaxSeer则聚焦于快速演化病毒的优势更替，更贴合流感这类易变病原体，”论文第一作者、MIT博士生石文先如此解释。

研究团队在《自然-医学》上发表的最新报告中指出，VaxSeer具备两大预测引擎：一是评估各毒株传播优势（即 dominance），二是衡量疫苗对毒株的中和效果（即 antigenicity）。二者结合生成“预测覆盖分数”，用以前瞻性评估疫苗对未来流行毒株的保护潜力。该分数越接近零，表示疫苗与流行株的抗原匹配度越高。

研究团队回顾性评估了2010至2020十年间VaxSeer的预测表现，并将其与世界卫生组织（WHO）的实际推荐毒株进行对比。结果显示，对于A/H3N2亚型，VaxSeer在9个流感季中的推荐优于WHO选择；对A/H1N1亚型，其也在6个季节中胜出或持平。特别在2016年季，VaxSeer成功识别出一株直到次年才被WHO选用的毒株。此外，该模型预测与美国CDC、加拿大哨点监测网络及欧洲I-MOVE项目的疫苗有效性实测数据高度吻合。

VaxSeer的技术路径融合了数十年病毒序列与实验室检测数据，通过常微分方程框架模拟病毒传播动态，并借助血凝抑制实验（HI assay）量化抗原性。这不仅大幅提速毒株筛选，更在数学层面实现了从“试错式选择”到“精准化设计”的跨越。

尽管当前VaxSeer仅聚焦流感病毒的血凝素（HA）蛋白，未来版本有望整合神经氨酸酶（NA）等其他抗原，并纳入免疫历史、生产可行性与剂量等因素。团队也表示，正开发低数据环境下的预测方法，以期将此类模型拓展至抗生素耐药菌、抗癌药物耐药性等更广泛的演化预测场景。

MIT distinguished教授Regina Barzilay强调：“病毒演化速度常令治疗研发滞后，VaxSeer正是我们试图追上这一步伐的尝试。”麦克马斯特大学助理教授Jon Stokes评价称，这项技术远不止于流感预测，更开创了一种应对快速适应型病原体的前瞻性干预思路。

在全球新发传染病威胁日益增加的背景下，AI辅助的疫苗毒株选择不仅代表着精准公卫的新方向，更是人类与病毒博弈中一次关键的能力跃升。