AI设计的“未来疫苗”能否预见大流行

新冠病毒大流行给世界留下了两个教训。其一是，人类能够以史无前例的速度开发疫苗。其二是，即便如此，面对病毒变异仍容易落后。

即使疫苗完成并广泛接种，病毒仍会继续变异。如果出现新的变异株，现有疫苗的效果可能会改变，需要追加接种或开发改良版。流感疫苗也面临同样的情况，每年都需要预测流行株并进行更新。

试图从根本上改变这种“追赶”机制的是英国剑桥大学的研究团队和该大学衍生的生物公司DIOSynVax，他们正在推进AI设计疫苗。BBC等媒体报道的此次研究因其作为全球首次将人工智能设计的疫苗重要成分用于人体评估的尝试而备受关注。

研究人员的目标不是仅针对特定变异株的疫苗，而是找到冠状病毒广泛家族中共同的弱点，并让免疫系统记住这些弱点的“未来型”疫苗。换句话说，这种思路不是追赶已经流行的病毒，而是将尚未在人类社会出现的近缘病毒纳入视野进行准备。

什么是“超级抗原”

疫苗的核心成分是被称为抗原的成分。抗原就像是教导免疫系统“记住这种形状是敌人”的标志。一般的疫苗是基于当前流行的病毒或过去确认的病毒的一部分来设计抗原。

然而，病毒会变异。如果标志改变，免疫系统就难以找到目标。因此，传统方法需要根据流行株更新疫苗。

剑桥的团队在此使用了AI。收集全球监测程序中注册的冠状病毒遗传信息，并让AI进行分析。目标是找到即使病毒变异也不易改变的部分，即对生存至关重要的共同结构。

结果设计出的“超级抗原”旨在跨多个相关病毒引发免疫反应。这不是针对单一病毒株的抗原，而是凝聚了病毒家族整体的共同特征的设计。

此次的目标是包括SARS-CoV-2，即新冠病毒在内的Sarbecovirus家族。这个组包括过去引发SARS的病毒以及在动物中循环、未来可能感染人类的近缘病毒。

第一阶段试验中看到的

此次临床试验主要是调查安全性的初期阶段。据报道和研究信息，针对健康的成年志愿者投予疫苗候选物，确认副作用、安全性和免疫反应的有无。

值得注意的是，投予方法也有新意。该疫苗候选物被设计为DNA疫苗，通过无针微流体喷射方式皮内投予。利用高压细液流将疫苗送入皮肤细胞的机制，预计在对传统注射针头有抵触的人群和大规模接种现场的运用方面具有优势。

试验中未确认重大安全性问题，并观察到了免疫反应。然而，重要的是，这尚未证明可以“防止感染”。初期试验的目的在于确认是否可以安全地在人群中投予，以及是否有免疫反应的迹象。

BBC的文章中也将对免疫的影响描述为“温和”。也就是说，尽管研究者之间的期待在增加，但将其视为直接通向实用化的成果还为时过早。接下来需要在更多参与者中进行第二阶段试验，以确定能获得多强、广泛和持久的免疫反应。

什么是“根本性的新”

这项技术的本质在于改变疫苗开发的起点。

传统的疫苗开发基本上是针对“出现的敌人”。新的病毒流行。确定病原体。解析遗传信息。进入疫苗设计。进行临床试验。制造并分发。尽管这一流程在新冠大流行中被显著缩短，但本质上仍是事后应对。

AI设计疫苗的目标是事前应对。基于过去和现在的病毒信息，预测未来可能出现的病毒的共同弱点。如果成功，即使出现未知的变异株或近缘病毒，也可能已具备一定的免疫准备。

剑桥大学的乔纳森·希尼教授对疫苗开发总是落后于病毒的现状表示关注。此次技术是为了绕过这一曲线的尝试。

这一思路不仅限于新冠。研究团队已经将应用范围扩展到流感、禽流感、埃博拉等病毒性出血热。特别是禽流感，不仅在鸟类中传播，也有向哺乳动物扩散的报告，被国际社会警惕为未来的大流行风险。对于埃博拉，由于不同种类对现有疫苗的响应情况不同，因此着眼于整个病毒家族的设计意义重大。

“万能疫苗”一词的危险性

另一方面，需要注意“万能疫苗”一词。万能这个表述容易给人一种可以完全防止所有感染的印象。然而实际上，此次技术的目标是“在特定病毒家族内，可能对更广泛范围有效的疫苗”。

也就是说，并不是说可以通过一次注射防止所有冠状病毒、所有呼吸道感染症、所有大流行。目标是确定目标病毒群，寻找其中的共同特征，并诱导广泛的免疫反应。

此外，即使确认了免疫反应，这与实际的感染预防或重症化预防的关联程度是另一个问题。抗体、T细胞、免疫记忆、粘膜免疫等，感染防御涉及多个因素。实验室中测量的反应与现实世界的防御效果的对应程度需要谨慎评估。

这一点也反映在专家的评论中。未参与研究的英国牛津疫苗小组的安迪·波拉德教授承认AI可能成为疫苗研究的游戏规则改变者，但指出人类的免疫系统与实验动物不同，受过去的感染史和接种史的强烈影响。在小鼠中有前景的结果在人类中未必相同。

从科学角度看，此次成果并非“完成”，而是“打开了大门”的阶段。

SNS上期待与警戒同时扩散

对此新闻的SNS反应大致分为三个方向。

第一是强烈的期待。对于AI在医疗和药物开发领域产生实用成果，“大流行对策可能会改变”“如果疫苗开发能更快，那将是一个重大进步”等积极的看法尤为显著。特别是在LinkedIn等专业人士较多的SNS上，可以看到对计算机辅助抗原设计、DNA疫苗、无针投予的组合的评价。对于医疗技术和生物技术的相关人士来说，这不仅仅是AI新闻，而是进入临床试验的技术，意义重大。

第二是谨慎的看法。听到“AI设计”可能会觉得像魔法，但实际上并不是AI单独完成疫苗。遗传信息的收集、结构解析、抗原设计、动物实验、制造、临床试验、监管机构的审查等，涉及许多人的专业知识和制度。在SNS上也可以看到对过度“AI发明了一切”的标题的警惕。AI是强大的设计支持工具，但并不能省略科学验证。

第三是对安全性和生物安全的担忧。如果AI可以设计疫苗抗原，反过来是否也会被用于设计危险的病原体或具有高生物风险的设计，这种不安根深蒂固。在Reddit等平台上，欢迎AI推动生物研究的声音与“能够设计治疗方法的技术是否也能设计危险的东西”的讨论同时存在。这并不是对此次研究本身的批评，而是对AI与生命科学结合的时代整体的警惕感。

这三种反应都是自然的。在大流行记忆仍然鲜明的社会中，对疫苗技术的期待与不信任、对AI的兴奋与不安同时存在。正因为如此，传达研究成果的一方需要在展示希望的同时避免过度断言的态度。

AI将如何改变疫苗研究

AI的优势在于从庞大的数据中发现人类容易忽略的模式。结合病毒的遗传信息、蛋白质结构、变异历史、免疫反应数据，可以推测“瞄准哪个部分可能广泛有效”。

这已经成为药物开发和蛋白质设计领域的一大潮流。蛋白质的立体结构预测、抗体设计、个性化癌症疫苗、传染病疫苗等，AI的应用范围正在迅速扩大。

然而，疫苗不仅仅是分子设计。设计的抗原在体内能否适当表达。免疫系统是否朝着期望的方向反应。副作用是否在可接受范围内。对老年人和有基础疾病的人是否有效。制造成本是否现实。能否送达低收入国家。能否储存和运输。这些都需要一一确认，否则无法成为社会可用的医疗技术。

AI可能加速开发，但并不能免除临床试验。相反，AI增加候选物的数量越多，评估这些的实验、临床、监管体系就越重要。

此次试验的意义在于，AI设计的抗原不仅停留在桌面模型或动物实验阶段，而是进入了人类评估阶段。这意味着AI与疫苗研究的关系开始从“未来的可能性”转向“临床开发的现场”。

大流行对策在“平时”决定

大流行开始后再制造疫苗，难免会产生时间差。新冠疫情中，尽管通过mRNA疫苗等技术以历史性的速度开发了疫苗，但全球仍有大量生命丧失，医疗体系紧张，经济活动受到极大限制。

如果能够提前为可能引发未来大流行的病毒群准备广泛有效的疫苗候选物，初期反应可能会大不相同。因为流行开始后不是从零开始设计，而是可以改良和推广已经拥有安全性和免疫反应基础数据的候选物。

像CEPI这样的传染病对策组织与DIOSynVax这样的公司合作，推进对未来冠状病毒和被称为“Disease X”的未知传染病的准备，背后正是这种思路。大流行对策不是在危机开始的瞬间，而是通过平时的研究投资和国际合作决定的。

此次的AI设计疫苗正是在这一背景中。并不是说很快就会开始普遍接种。然而，作为为未来传染病危机做准备的技术基础，这是非常重要的一步。

实用化面临的课题

实用化面临许多课题。

首先是有效性的验证。在第二阶段试验中，需要针对更多样的参与者调查免疫反应的强度和广度。年龄、过去的感染史、现有疫苗的接种史可能会影响反应。

其次是确定哪个免疫反应作为成功的指标。在新冠疫苗中，中和抗体被视为一个重要指标，但在针对广泛病毒家族的情况下，T细胞反应和非中和抗体的作用也可能变得重要。确定哪个数值能预测实际的防御效果至关重要。

此外，还有制造和供应的问题。即使AI可以设计出优良的抗原，如果不能稳定大量生产，作为大流行对策仍是不足的。需要考虑将其载入DNA疫苗、mRNA疫苗、病毒载体、蛋白质疫苗等哪个平台最为适合。

最后是社会信任的问题。新冠疫情以来，围绕疫苗的信息环境变得复杂。即使是科学上有前景的技术，如果解释不充分也会招致不信任。过度强调“AI制造”可能会一方面吸引期待，另一方面也会增加不安。透明的数据公开、风险和局限的详细解释、独立专家的评估是不可或缺的。

这不是“AI医疗的胜利宣言”

将此次新闻解读为AI取代人类科学家的故事是错误的。恰恰相反。AI发挥作用是因为研究者提出问题、收集数据、设计模型、通过实验验证并推进到临床试验。

AI提出可能的设计。然而，判断该提案是否安全有效的是实验和临床的积累。在生命科学中，计算机上看似美丽的设计在体内未必能直接发挥功能。免疫系统复杂且个体差异大。

因此，与其说“AI完成了疫苗”，不如说“利用AI的疫苗设计进入了人类验证阶段”更为准确。

从这个意义上说，这是一则比起华丽标题更为踏实的科学新闻。尽管蕴含巨大可能性，但仍有许多需要确认的地方。可以期待，但不应急于下结论。

未来的医疗将朝着不追赶变异的方向发展

病毒不断变化。这是无法改变的。然而，人类不一定总是要落后。

AI设计抗原是解读病毒的过去和现在，预见未来风险的尝试。如果这项技术成熟，可能对新冠、流感、埃博拉等病毒进行更广泛、更快速、更有计划的准备。

当然，这不是防止所有大流行的万能药。安全性、有效性、供应体系、国际公平性、AI的滥用防止等，仍有许多需要解决的课题。即便如此，从病毒出现后匆忙应对转向在其出现前就做好准备的思路，可能会大大改变传染病对策的