预防接种的“直觉”交给AI ─ AI将如何改变流感预测？MIT的VaxSeer超越WHO的未来

1. 背景：每年的“数步先读”游戏

季节性流感疫苗的毒株选择是在半年多前进行的。通过综合来自世界各地样本的基因序列和抗原性数据，基于WHO的GISRS网络，专家会议推测并决定“下个季节哪个系将成为流行的主角”。如果命中，疫苗的有效性会大幅提升，但如果失误，就会给人留下“接种了却效果不佳”的印象。问题在于，流感病毒不断小幅进化，与人类免疫和环境的相互作用使得势力图在短时间内发生变化。

2. VaxSeer是什么：两个预测引擎+一个评分

MIT的VaxSeer通过机器学习扩展了这种“先读”。核心有两个方面。首先，它通过大型蛋白质语言模型学习各个变异如何作为“组合”而非单独影响其传播性（优势化）。其次，它从HI（血凝抑制）试验数据中推测疫苗候选株对未来流行毒株的中和效果（抗原性）。这些与基于常微分方程的传播动力学相结合，最终以“覆盖评分”量化疫苗对未来季节预期病毒群体的“适应度”。

3. 准确性如何：回顾10年数据

研究团队比较了过去10年中WHO实际选择的毒株与VaxSeer推荐的毒株。结果显示，在A/H3N2中有9/10个季节，A/H1N1中有6/10个季节VaxSeer表现优于或相当。值得注意的是，2016季节的候选毒株在一年前就被提出，并与次年WHO的选择一致。此外，VaxSeer的覆盖评分与CDC、加拿大SPSN、欧洲I-MOVE公布的实际有效性估计高度一致。当然，这是一种“回顾性验证”，并不能直接显示当年疫苗接种的因果效果（真正的有效性）。尽管如此，对于“失误年”医疗负担激增的现场而言，这种辅助的先读具有重要价值。

4. 机制的关键：进化与语言的交汇点

VaxSeer的独特之处在于，它将序列上的变异效果视为“相互作用（表观遗传）”而非单独事件。现实世界的病毒进化无法用单一变异的加法来解释。有些变异只有与其他变异结合时才会引发优势化。语言模型从过去大量的序列中学习这种“组合”的概率结构。通过叠加表示系间竞争的数学模型，可以衡量哪个系将成为“下一个主角”的相对优势。在抗原性方面，以HI试验的实验值为教师，估计候选株与预期流行株的“距离”，从而评估疫苗能引发多少中和反应。

5. SNS的反应：期待、谨慎论及运用现实

发布后不久，SNS上研究者社区和医疗健康类账户纷纷作出反应。MIT CSAIL的官方X介绍称“通过数十年的数据学习，识别更具防御性的候选者”，并收到了许多积极的回复。第一作者Wenxian Shi也宣布了论文的发布，学术界的祝贺不断。另一方面，关注医疗AI的账户质疑“AI能否超越WHO专家的判断？”，并指出评价指标是“代理尺度（surrogate）”以及缺乏前瞻性临床验证的谨慎论也很显眼。总体来看，作为“补充”“第三意见”而非“替代”，提高决策透明度的看法占主流。临床和公共卫生领域则呼吁设计适用于“制造提前期”“卵培养衍生变异”“供应链”“地域差异数据”等现实限制的应用。

6. 对现场的影响：如何有效使用

短期来看，在WHO会议或各国当局选择之前，VaxSeer的评分可以作为“第二意见”参考，提前察觉易失误年份的风险。如果出现失误迹象，可以提前考虑供应计划的灵活化或替代制造方法（细胞、重组）的比例调整，强化对高风险群体的信息传达等政策和运用选择。中期来看，关键在于整合抗原性以外的因素——既往免疫、剂量、佐剂、地域集群的流动性——扩展为估计综合“实际保护”的多因素模型。

7. 限制与挑战：AI并非万能

首先，评估主要是回顾性的。真正的问题在于，当在前瞻性（前景）环境中纳入政策决策时，能在多大程度上实际减少发病、住院和死亡。其次，学习数据的偏差——地域、年龄、样本采集的偏在——可能扭曲预测的普遍性。第三，制造过程的限制（卵培养中的适应变异、规模化延迟）可能在“从选择的毒株到最终产品”之间损害适应性。第四，决策不仅仅是科学，还涉及透明性、问责制和社会接受度。必须披露模型的前提、不确定性和敏感性，并在与专家判断一致的情况下进行治理设计。

8. 尽管如此仍需前进的理由

流感是“无尽的敌人”。因此，尝试通过数据和模型将失误概率降低1%是有意义的。VaxSeer连接了进化的学理与语言模型的表现力，将过去依赖人类直觉和分散指标的选择工作，推进到定量且可重复的过程。将WHO熟练的专家网络与AI的先读能力互补结合——这可能是让下个季节稍微轻松一些的现实解决方案。

Powered by Froala Editor