新冠疫苗是科学的胜利。政府、研究人员和疫苗制造商通力合作，将通常需要数十年的过程加速完成。
然而，在经历了长达一年的生存威胁和隔离后，这些疫苗从2020年12月开始的推广速度仍显得异常缓慢——特别是在2021年1月，全球新冠病例激增，导致约44.5万人死亡，成为大流行期间最致命的一个月。
加州大学欧文分校免疫学家、加州科技免疫公司(TechImmune)研究副总裁Lbachir BenMohamed博士表示，如果下一次冠状病毒大流行今天开始，由于人工智能(AI)的应用，等待疫苗的时间可能会大大缩短。
借助AI的帮助，BenMohamed领导的研究团队开发了一种激活T细胞清除病毒的广谱冠状病毒疫苗。BenMohamed认为，这种抗原反应可以作为一种"万能钥匙"，训练人体对冠状病毒家族中的所有病毒产生免疫反应，包括SARS-CoV-2(导致新冠肺炎的病毒)、MERS-CoV(中东呼吸综合征冠状病毒)和SARS-CoV(严重急性呼吸综合征冠状病毒)。
基于这一发现的长期新冠疗法临床试验计划于明年年初开始。这一步骤将确定该疗法在人体中的安全性和有效性，并揭示疫苗是否能引发预期的抗原反应。BenMohamed表示，如果试验成功，该治疗方法可以重新设计为针对下一次冠状病毒流行或大流行的疫苗。
"如果未来几年即将发生大流行——这只是时间问题——我们今天的准备程度要比上次好得多，"他说。
BenMohamed是多位告诉CIDRAP新闻的科研人员之一，他们表示疫苗学领域刚刚开始认识到AI(特别是机器学习这一AI子类)的潜力。
"如果未来几年即将发生大流行——这只是时间问题——我们今天的准备程度要比上次好得多。"
该技术分析特定测量数据——例如抗体如何与特定受体结合，或B细胞产生这些抗体需要多长时间——以识别免疫系统内的复杂模式。在某些情况下，这些数据量如此庞大复杂，仅靠研究人员几乎不可能识别出这些模式。
节省成本：更快地失败
根据美国卫生与公众服务部(HHS)2025年的一份报告，将一种新型疫苗推向美国市场平均需要8.868亿美元。
密歇根大学药学院人工智能驱动治疗发现研究所创始主任孙读心(Duxin Sun)博士表示，希望机器学习能让药物和疫苗发现过程成本更低、耗时更少。
大型制药公司开始投资AI用于一般药物发现。辉瑞(Pfizer)最近与AI初创公司Chai Discovery签署许可协议，以获取抗体设计软件。礼来(Eli Lilly)也与Chai以及AI公司英伟达(NVIDIA)和英矽智能(Insilico Medicine)合作。后者在3月份表示，他们已使用生成式AI工具开发了至少28种药物，近一半已进入临床试验。莫德纳(Moderna)正在与流行病防范创新联盟(CEPI)合作，将AI应用于疫苗工作。
孙指出，尽管有令人兴奋的新出版物，但这些通过AI发现的药物中，没有一种已通过临床试验。他不太相信机器学习会带来范式转变，通过预测意外的潜在危险副作用，或找到人类科学家从未尝试过的全新解决问题方法，从而提高药物发现的成功率。
德克萨斯大学医学分部AI项目主任Peter McCaffrey博士表示，目前AI往往倾向于重复已知事物的范围。
"成为科学家的艺术在于那个特定的深度缺口——什么值得做，"他说。
孙和McCaffrey都认为，AI可以帮助研究人员更快地失败，并更快地转向下一个可能更有希望的研究方向。
"未来尚未到来，"孙说。
"成为科学家的艺术在于那个特定的深度缺口——什么值得做。"
不过，BenMohamed表示，AI确实加速了广谱冠状病毒疫苗的时间线。
在临床前阶段初期——研究人员评估疫苗候选物并筛选出不适合的候选物时——使用了机器学习，对1500万种冠状病毒株和变种进行测序。在病毒的29种蛋白质或分子结构中，该模型识别出10种在所有冠状病毒中保持恒定的蛋白质，包括仅在蝙蝠中传播的冠状病毒。这10种蛋白质构成了疫苗候选物的基础，即旨在引发免疫反应的实验性配方。
一旦AI告诉BenMohamed团队应该关注哪些疫苗候选物，研究人员通过动物研究进一步筛选，最终确定了三种蛋白质，并以此为基础开发了疫苗。
这一过程耗时约四年。BenMohamed估计，如果没有机器学习的帮助，这一过程将需要三倍的时间。
"这就像是[比较]以每小时10英里的速度驾驶和以每小时90英里的速度驾驶，"他解释道。
AI或许能在设计流感疫苗方面超越科学家
研究人员还在探索AI如何改进现有疫苗，例如每年的流感疫苗或鼻喷疫苗。
流感对疫苗开发者来说是一个不断移动的目标。制药公司需要至少六个月的时间才能生产出足够剂量的年度流感疫苗。这需要世界卫生组织(WHO)和美国科学家预测未来几个月哪种快速变异的流感病毒株将占主导地位。预测往往不准确。虽然疫苗能减少严重疾病，但通常预防感染的有效性不到50%。
但在去年发表的一项为期10年的回顾性研究中，机器学习算法VaxSeer在预测哪些流感病毒株将成为主导并选择与这些病毒株匹配的抗原方面，比世卫组织的年度建议表现更好。抗原是疫苗中产生免疫反应的有效成分。
该研究的主要作者、麻省理工学院电气工程和计算机科学系博士生Wenxian Shi表示，VaxSeer的准确性可归功于世卫组织的全球流感监测和反应系统(GISRS)，该系统为她提供了来自136个国家166个机构的20年数据。
"他们在全球范围内收集所有这些数据付出了巨大努力，"Shi说。
Shi还使用了伦敦弗朗西斯·克里克研究所的数据，训练VaxSeer识别不同疫苗候选物的抗体如何与不同病毒株结合。
处理多样化数据集
"数据是硬通货，"德克萨斯大学医学分部的虫媒病毒学家Nikolaos Vasilakis博士说。他与McCaffrey合作，利用AI开发了一种甲病毒疫苗。
Vasilakis和McCaffrey表示，希望使用AI的疫苗研究人员将受益于更好地获取被归类为知识产权的数据。在某些情况下，资助研究的机构不愿意分享实验数据。
另一个问题是：算法需要更有效地整合来自不同来源的数据集。
"数据是硬通货。"
密歇根大学AI疫苗研究员Oliver He博士指出，挑战在于不同的研究以不同方式收集和测量数据，这可能会混淆算法并导致结果有缺陷。他希望研究人员能就一种标准化的数据注释达成一致，这种注释易于任何使用者理解。
即使解决了这些问题，在许多情况下，仍然不会有足够的数据来完善模型，使算法能够产生一两个潜在的疫苗候选物，而不是六种有希望的选择。
换句话说，机器学习模型能够产生的结果是好的，但并非非凡。随着AI研究的激增，McCaffrey预计"瓶颈将大幅放大"，因为需要进行大量动手实验。
"必须有人实际制造这种蛋白质、这种疫苗候选物，将其放入小鼠体内，测量对它们的影响，将其放入基于细胞的测定中，"他说。
细菌疫苗的挑战，即使有AI
AI在细菌疫苗方面的突破可能还要更远，因为这些病原体具有更复杂多样的方法来逃避免疫系统。
但牛津疫苗小组主任Sir Andrew Pollard博士表示，AI如何帮助科学家开发细菌疫苗的概念与模式识别相同，只是规模更大。
牛津疫苗小组正在研发的一种疫苗是针对金黄色葡萄球菌(Staphylococcus aureus)的，这种细菌会导致反复发作的皮肤感染以及血液和内脏器官感染。它是抗生素耐药性的主要驱动因素，也是细菌感染死亡的主要原因。经过约30次临床试验，金黄色葡萄球菌疫苗仍未问世。
Pollard认为AI可以帮助打破这一失败记录，但正如本故事中采访的其他研究人员所说，他的算法需要更大的数据集。这些数据来自健康人群安全接触细菌的研究；Pollard和他的合作者随后测量研究志愿者的免疫反应。
Pollard表示，随着时间的推移，算法可能会变得更加敏感，因此需要更少的数据来产生结果。甚至有可能，疫苗的机器学习模型最终能够预测病原体的免疫反应，类似于生成式AI模型如ChatGPT撰写电子邮件回复。
AI永远不会完全取代人类
一些人对mRNA技术的怀疑——首次在冠状病毒疫苗中广泛使用——导致了整体疫苗怀疑情绪的增加，自新冠大流行以来这种情绪一直在上升。Vasilakis担心AI日益增长的不信任会产生类似影响。
"我们需要回归科学的基本面，我们需要能够与受众沟通，"他说。
CIDRAP新闻采访的所有研究人员都不认为未来会简单地将数据输入AI算法，然后就能得到准备大规模生产的疫苗候选物。人体研究将始终是疫苗开发不可或缺的一部分，以确保安全性和有效性。
"我们需要回归科学的基本面，我们需要能够与受众沟通。"
"你仍然必须运用你的大脑，"BenMohamed解释说，尽管AI是一个强大的工具，但它可能无法掌握某些生物复杂性。
Shi同意BenMohamed的观点，并表示只要科学家掌握主导权，她不介意世卫组织咨询VaxSeer用于未来的流感疫苗。
世卫组织发言人Tarik Jašarević告诉CIDRAP新闻，该国际公共卫生机构正在探索新技术，包括新兴的AI应用。他指出，病毒选择不仅依赖于多样化的数据集，还需要专家来应对现有的知识空白，例如驱动病毒进化的生物机制。
"在这种情况下，AI在流感领域的应用可能最可行地从短期到中期开始，"Jašarević说。
美国卫生与公众服务部官员没有回应CIDRAP新闻关于美国利用AI进行疫苗生产努力的评论请求。
明尼苏达大学传染病研究与政策中心专门研究冠状病毒疫苗研发的Derek Fleming博士表示，AI还可以用于疫苗研发的其他领域，例如设计临床试验。
Fleming表示，甚至可以设想，如果AI模型在预测疫苗候选物的安全性和有效性方面比动物试验更准确，动物试验可能会变得过时。其他研究人员会不同意这一点，但正如Fleming所指出的，AI仍然非常新。
但他表示，"AI很可能永远不会完全取代人类。"
"很难说未来会怎样，"他补充道。
【全文结束】