人工智能能否帮助人类提前发现下一代病毒？

过去几十年，人类认识病毒的方式通常为病毒出现到实验室检测，之后分析基因变化再到研发疫苗或药物。这种模式帮助人类发现和控制了许多传染病，但面对快速变化的RNA病毒，它们不断复制、突变，并在免疫压力和环境变化中寻找新的生存机会。病毒研究的努力方向在于是否能在病毒扩散之前，提前预测它未来的可能变化。

近年来，人工智能（Artificial Intelligence, AI）正在进入病毒学领域。从分析病毒基因组，到预测抗原变化，再到辅助疫苗设计，AI推动着微生物研究逐渐走向预测未来。

为什么病毒进化如此难预测？

1.高突变率

病毒复制中会发生随机变化，许多RNA病毒缺乏高精度校正机制。病毒复制过程中RNA序列随机突变，一些突变影响病毒特征，而一些突变可能没有明显影响。看一个突变是否有意义，并不是只看单一位点。病毒蛋白由数百甚至上千个氨基酸组成，不同位置之间的氨基酸存在复杂相互作用。一个突变可能与其他突变组合产生完全不同的效果。

2. 免疫压力推动病毒持续变化

人体免疫系统会识别病毒表面的关键结构。例如新冠病毒Spike蛋白，流感病毒HA蛋白和诺如病毒VP1衣壳蛋白。当大量人群产生抗体后病毒携带原有结构受到选择压力，能够降低抗体识别的新变异更容易传播。这一过程被称为抗原漂移。这也是为什么流感疫苗需要每年更新，新冠疫苗需要根据流行株调整，诺如病毒优势基因型会发生变化。

3. 病毒进化受到多因素共同影响

病毒是否能够成为优势株，不只是由一个突变决定。还涉及传播能力，宿主免疫状态和人群暴露模式等。因此，只通过传统实验方法，很难同时分析如此复杂的信息， AI就可以完美解决这些问题。

AI如何学习病毒进化规律？

类似于大型语言模型通过学习大量文本理解语言规律，基因组模型可以通过学习大量病毒序列，寻找其中隐藏的生物学规律。输入数据包括：

1. 病毒基因序列；

2. 蛋白质结构信息；

3. 流行病学数据；

4. 免疫学实验结果；

5. 病毒传播历史。

AI模型通过大量计算，寻找哪些变化经常共同出现，可能影响蛋白功能的重点突变有哪些以及更容易受到免疫压力的关键区域。

AI的实际应用

1.预测新冠病毒Spike蛋白变化

新冠疫情期间，大量研究利用机器学习分析SARS-CoV-2 Spike蛋白突变。研究目标包括：哪些突变可能降低抗体结合；哪些变异可能影响受体结合；哪些组合可能具有传播优势。例如，新冠Alpha、Delta和Omicron变异株出现后，病毒优势并不是来自单一突变，而是多个突变共同作用。AI模型能够帮助研究人员从大量可能组合中筛选重点候选。

2.辅助预测流感病毒抗原漂移

流感病毒长期依赖全球监测系统预测下一季流行株。传统方法通过收集全球流行株，分析HA/NA蛋白变化，选择疫苗株。AI可以进一步结合历史流行数据、HA结构变化和抗体结合信息，帮助判断哪些病毒变异更可能成为优势株。

3.预测诺如病毒未来优势变异

诺如病毒是近年来AI病毒进化研究的重要方向之一。特别是GII.4和GII.17等基因型。诺如病毒主要通过VP1衣壳蛋白与人体细胞表面结构结合，并且P2结构域是重要抗原区域。研究人员正在尝试结合VP1序列，蛋白结构，抗原位点，流行时间，预测未来可能出现的优势变异株。未来病毒监测可能从发现流行株之后分析转变为提前预测可能的流行株。

AI能预测下一次疫情么？

目前，AI还不能准确告诉我们下一次疫情一定是什么病毒。因为病毒传播不仅由基因决定，还受到动物生态，人类行为，气候变化和社会环境等因素影响。但是，AI可以帮助回答一些更实际的问题，比如说病毒变异是否可影响抗体识别，某个动物病毒是否具有进入人体的潜力，一些突变组合是否值得优先监测等，也就是说AI不是可以随便预测未来，而是一种提高科学判断效率的新工具。

参考资料：Benegas G, Ye C, Albors C, Li JC, Song YS. Genomic language models: opportunities and challenges. Trends Genet. 2025 Apr;41(4):286-302. doi: 10.1016/j.tig.2024.11.013