预测疫苗效力

季节性流感是全球公共卫生面临的重大威胁。疫苗是减轻流感负担的预防性工作核心，但研发出能与即将到来的流感季中流行毒株相匹配的疫苗，仍是一项挑战。如今，史文贤（Wenxian Shi）、里贾纳・巴齐莱（Regina Barzilay）及其同事在《自然・医学》（Nature Medicine）期刊上发表的一项研究，介绍了一种计算机模拟（in silico）方法，该方法可预测候选疫苗与未来流行病毒的抗原匹配度。在流感毒株持续进化的背景下，这为改进疫苗研发带来了希望。

这种名为 VaxSeer 的方法采用机器学习框架，通过整合两个预测模型来评估抗原匹配度。第一个模型基于此前开展的体外中和试验 —— 血凝抑制试验（haemagglutination inhibition, HI 试验），评估疫苗对特定病毒毒株的抑制效果（即 “抗原性”）。第二个模型以监测数据集为训练基础，利用蛋白质语言模型来预测每个病毒毒株（通过流感主要抗原血凝素体现）在即将到来的流感季中的预期出现频率（即 “优势度”）。这两个模型共同生成一个覆盖评分，该评分可预测特定疫苗对未来病毒毒株的潜在防护效果。

在一项为期十年的回顾性分析中，预测的覆盖评分与现实世界中的疫苗效力（定义为接种者感染流感的概率降低程度）呈现出强相关性。该模型的预测结果还与特定疫苗预防症状性疾病、减少就医次数的公共卫生数据高度吻合。重要的是，在多个流感季中，基于预测覆盖评分选择的疫苗毒株，其效果均优于世界卫生组织（WHO）推荐的疫苗毒株。一个显著案例是 2016 年冬季流感季：VaxSeer 识别出了一种疫苗毒株，而世界卫生组织直到一年后才选中该毒株。这些数据表明，VaxSeer 可通过识别抗原匹配度更高的候选毒株，助力改进疫苗毒株的筛选工作。

总体而言，VaxSeer 在改进流感疫苗筛选方面具有潜力：它既可以作为辅助工具，为筛选过程提供参考依据；也能识别出前景良好的候选毒株，进而优先通过传统实验室方法对这些毒株进行后续验证。未来的研究方向包括：扩展模型以纳入更多病毒抗原的考量，以及整合影响疫苗筛选的其他因素（如免疫史和接种时机）。