Artificial intelligence reshaping vaccine development: a new paradigm of efficiency revolution and precision design

GU Jiang; LI Yuhang

doi:10.16016/j.2097-0927.202512040

您当前的位置：

首页 >

文章列表页 >

Artificial intelligence reshaping vaccine development: a new paradigm of efficiency revolution and precision design

Expert Review | 更新时间：2026-03-02

- Artificial intelligence reshaping vaccine development: a new paradigm of efficiency revolution and precision design
- Journal of Army Medical University Vol. 48, Issue 4, Pages: 387-393(2026)
- 作者机构：
  
  陆军军医大学（第三军医大学）药学与检验医学系国家免疫生物制品工程技术研究中心，重庆
- 作者简介：
- 基金信息：
  
  the National Key Research and Development Program(2024YFC2310801);the Projoet of Higher Education Teaching Reform Research of Chongqing(233584)
- DOI：10.16016/j.2097-0927.202512040
  CLC： R319;R392.7
- Received：09 December 2025，
  
  Revised：2026-01-14，
  
  Accepted：20 January 2026，
  
  Published：28 February 2026
- 稿件说明：
移动端阅览
顾江，李宇航.人工智能重塑疫苗研发新范式：效率革命与精准设计［J］.陆军军医大学学报，2026，48（04）：387-393.DOI：10.16016/j.2097-0927.202512040.

GU J，LI Y H.Artificial intelligence reshaping vaccine development： a new paradigm of efficiency revolution and precision design［J］.J Army Med Univ，2026，48（04）：387-393.DOI：10.16016/j.2097-0927.202512040.
顾江，李宇航.人工智能重塑疫苗研发新范式：效率革命与精准设计［J］.陆军军医大学学报，2026，48（04）：387-393.DOI：10.16016/j.2097-0927.202512040. DOI：

GU J，LI Y H.Artificial intelligence reshaping vaccine development： a new paradigm of efficiency revolution and precision design［J］.J Army Med Univ，2026，48（04）：387-393.DOI：10.16016/j.2097-0927.202512040. DOI：

摘要

人工智能（artificial intelligence， AI）通过整合深度学习架构与多组学数据，正在系统性地重塑疫苗研发全链条，推动其从传统依赖试错的“经验驱动”模式，向以“数据驱动”和“算法生成”为核心的理性设计新范式转型。尽管面临数据异质性、模型“黑箱”、算法偏见以及监管框架滞后等多重挑战，AI技术通过与免疫机理的深度结合，推动疫苗设计从“结构模拟”向“功能创造”跨越，为疫苗研发提供了全新范式。本综述系统梳理了AI在疫苗研发多个关键环节的创新应用与典型进展，包括疫苗靶标挖掘、抗原设计、疫苗佐剂、工艺开发、临床试验、疫苗犹豫等，尤其汇总了近年来用于疫苗理性设计的相关工具、核心架构、主要特点和典型案例，为后续疫苗开发中AI技术的应用提供借鉴。

Abstract

Artificial intelligence (AI) is systematically reshaping the entire vaccine research and development pipeline through integrating deep learning architectures with multi-omics data. This facilitates a paradigm shift from traditional trial-and-error empirical approaches to a novel rational design framework centered on

data

driven

and

algorithm

generated

methodologies. Despite challenges including data heterogeneity

model opacity

algorithmic bias

and lagging regulatory frameworks

AI enables a transformative leap from

structural mimicry

functional innovation

in vaccine design

via

deep integration with immunological mechanisms. This review comprehensively analyzes AI applications across key vaccine development stages: target identification

antigen design

adjuvant screening

process optimization

clinical trial design

and vaccine hesitancy mitigation. We particularly summarize recent tools

core architectures

functional features

and representative cases for AI-powered rational vaccine design

providing actionable references for future AI implementation in vaccinology.

关键词

Keywords

references

PRONKER E S ， WEENEN T C ， COMMANDEUR H ， et al . Risk in vaccine research and development quantified ［J］. PLoS One ， 2013 ， 8 （ 3 ）： e57755 . DOI： 10.1371/journal.pone.0057755 http://dx.doi.org/10.1371/journal.pone.0057755 .

PARK J ， BARTZOKA F ， VON BECK T ， et al . Molecular features of the serological IgG repertoire elicited by egg-based， cell-based， or recombinant haemagglutinin-based seasonal influenza vaccines： a comparative， prospective， observational cohort study ［J］. Lancet Microbe ， 2025 ， 6 （ 2 ）： 100935 . DOI： 10.1016/j.lanmic.2024.06.002 http://dx.doi.org/10.1016/j.lanmic.2024.06.002 .

KWONG P D ， MASCOLA J R . HIV-1 vaccines based on antibody identification， B cell ontogeny， and epitope structure ［J］. Immunity ， 2018 ， 48 （ 5 ）： 855 - 871 . DOI： 10.1016/j.immuni.2018.04.029 http://dx.doi.org/10.1016/j.immuni.2018.04.029 .

VILLANUEVA-FLORES F ， SANCHEZ-VILLAMIL J I ， GARCIA-ATUTXA I . AI-driven epitope prediction： a system review， comparative analysis， and practical guide for vaccine development ［J］. NPJ Vaccines ， 2025 ， 10 （ 1 ）： 207 . DOI： 10.1038/s41541-025-01258-y http://dx.doi.org/10.1038/s41541-025-01258-y .

ZHANG L ， SONG W K ， ZHU T H ， et al . ConvNeXt-MHC： improving MHC-peptide affinity prediction by structure-derived degenerate coding and the ConvNeXt model ［J］. Brief Bioinform ， 2024 ， 25 （ 3 ）： bbae133 . DOI： 10.1093/bib/bbae133 http://dx.doi.org/10.1093/bib/bbae133 .

SHUJAAT M ， KIM H ， TAYARA H ， et al . iProm-Sigma54： a CNN base prediction tool for σ（54） promoters ［J］. Cells ， 2023 ， 12 （ 6 ）： 829 . DOI： 10.3390/cells12060829 http://dx.doi.org/10.3390/cells12060829 .

HAO Q ， WEI P ， SHU Y ， et al . Improvement of neoantigen identification through convolution neural network ［J］. Front Immunol ， 2021 ， 12 ： 682103 . DOI： 10.3389/fimmu. 2021. 682103 http://dx.doi.org/10.3389/fimmu.2021.682103 .

QUE J H ， XUE G F ， WANG T ， et al . Identifying T cell antigen at the atomic level with graph convolutional network ［J］. Nat Commun ， 2025 ， 16 （ 1 ）： 5171 . DOI： 10.1038/s41467-025-60461-6 http://dx.doi.org/10.1038/s41467-025-60461-6 .

LI G Y ， IYER B ， SURYA PRASATH V B ， et al . DeepImmuno： deep learning-empowered prediction and generation of immunogenic peptides for T-cell immunity ［J］. Brief Bioinform ， 2021 ， 22 （ 6 ）： bbab160 . DOI： 10.1093/bib/bbab160 http://dx.doi.org/10.1093/bib/bbab160 .

SHAO X M ， BHATTACHARYA R ， HUANG J ， et al . High-throughput prediction of MHC class I and II neoantigens with MHCnuggets ［J］. Cancer Immunol Res ， 2020 ， 8 （ 3 ）： 396 - 408 . DOI： 10.1158/2326-6066.CIR-19-0464 http://dx.doi.org/10.1158/2326-6066.CIR-19-0464 .

CHENG J ， BENDJAMA K ， RITTNER K ， et al . BERTMHC： improved MHC-peptide class II interaction prediction with transformer and multiple instance learning ［J］. Bioinformatics ， 2021 ， 37 （ 22 ）： 4172 - 4179 . DOI： 10.1093/bioinformatics/btab422 http://dx.doi.org/10.1093/bioinformatics/btab422 .

ZENG Y S ， WEI Z Y ， YUAN Q M ， et al . Identifying B-cell epitopes using AlphaFold2 predicted structures and pretrained language model ［J］. Bioinformatics ， 2023 ， 39 （ 4 ）： btad187 . DOI： 10.1093/bioinformatics/btad187 http://dx.doi.org/10.1093/bioinformatics/btad187 .

HU R S ， GU K ， EHSAN M ， et al . Transformer-based deep learning enables improved B-cell epitope prediction in parasitic pathogens： a proof-of-concept study on Fasciola hepatica ［J］. PLoS Negl Trop Dis ， 2025 ， 19 （ 4 ）： e0012985 . DOI： 10.1371/journal.pntd.0012985 http://dx.doi.org/10.1371/journal.pntd.0012985 .

ALBERT B A ， YANG Y X ， SHAO X M ， et al . Deep neural networks predict class I major histocompatibility complex epitope presentation and transfer learn neoepitope immunogenicity ［J］. Nat Mach Intell ， 2023 ， 5 （ 8 ）： 861 - 872 . DOI： 10.1038/s42256-023-00694-6 http://dx.doi.org/10.1038/s42256-023-00694-6 .

SHANTHAPPA P M ， VERMA N ， GEORGE A ， et al . Computational prediction of potential vaccine candidates from tRNA encoded peptides （tREP） using a bioinformatic workflow and molecular dynamics validations ［J］. IEEE/ACM Trans Comput Biol Bioinform ， 2024 ， 21 （ 3 ）： 439 - 449 . DOI： 10.1109/TCBB.2024.3371984 http://dx.doi.org/10.1109/TCBB.2024.3371984 .

SCHAUPERL M ， DENNY R A . AI-based protein structure prediction in drug discovery： impacts and challenges ［J］. J Chem Inf Model ， 2022 ， 62 （ 13 ）： 3142 - 3156 . DOI： 10.1021/acs.jcim.2c00026 http://dx.doi.org/10.1021/acs.jcim.2c00026 .

NAVARRO S ， VENTURA S . Computational methods to predict protein aggregation ［J］. Curr Opin Struct Biol ， 2022 ， 73 ： 102343 . DOI： 10.1016/j.sbi.2022.102343 http://dx.doi.org/10.1016/j.sbi.2022.102343 .

JISNA V A ， JAYARAJ P B . Protein structure prediction： conventional and deep learning perspectives ［J］. Protein J ， 2021 ， 40 （ 4 ）： 522 - 544 . DOI： 10.1007/s10930-021-10003-y http://dx.doi.org/10.1007/s10930-021-10003-y .

VALANCIUTE A ， NYGAARD L ， ZSCHACH H ， et al . Accurate protein stability predictions from homology models ［J］. Comput Struct Biotechnol J ， 2022 ， 21 ： 66 - 73 . DOI： 10.1016/j.csbj.2022.11.048 http://dx.doi.org/10.1016/j.csbj.2022.11.048 .

ALQURAISHI M . Protein-structure prediction revolutionized ［J］. Nature ， 2021 ， 596 （ 7873 ）： 487 - 488 . DOI： 10.1038/d41586-021-02265-4 http://dx.doi.org/10.1038/d41586-021-02265-4 .

JUMPER J ， EVANS R ， PRITZEL A ， et al . Highly accurate protein structure prediction with AlphaFold ［J］. Nature ， 2021 ， 596 （ 7873 ）： 583 - 589 . DOI： 10.1038/s41586-021-03819-2 http://dx.doi.org/10.1038/s41586-021-03819-2 .

DOBSON L ， SZEKERES L I ， GERDÁN C ， et al . TmAlphaFold database： membrane localization and evaluation of AlphaFold2 predicted alpha-helical transmembrane protein structures ［J］. Nucleic Acids Res ， 2023 ， 51 （ D1 ）： D517 - D522 . DOI： 10.1093/nar/gkac928 DOI：10.1093/nar/gkac928 http://dx.doi.org/10.1093/nar/gkac928DOI：10.1093/nar/gkac928 .

LIU Z ， PAN W H ， LI W H ， et al . Evaluation of the effectiveness of derived features of AlphaFold2 on single-sequence protein binding site prediction ［J］. Biology ， 2022 ， 11 （ 10 ）： 1454 . DOI： 10.3390/biology11101454 http://dx.doi.org/10.3390/biology11101454 .

VARADI M ， ANYANGO S ， DESHPANDE M ， et al . AlphaFold Protein Structure Database： massively expanding the structural coverage of protein-sequence space with high-accuracy models ［J］. Nucleic Acids Res ， 2022 ， 50 （ D1 ）： D439 - D444 . DOI： 10.1093/nar/gkab1061 http://dx.doi.org/10.1093/nar/gkab1061 .

CARBALLO G M ， VÁZQUEZ K G ， GARCÍA-GONZÁLEZ L A ， et al . Embedded-AMP： a multi-thread computational method for the systematic identification of antimicrobial peptides embedded in proteome sequences ［J］. Antibiotics ， 2023 ， 12 （ 1 ）： 139 . DOI： 10.3390/antibiotics12010139 http://dx.doi.org/10.3390/antibiotics12010139 .

ZHANG H C ， SHEN Y F . Template-based prediction of protein structure with deep learning ［J］. BMC Genomics ， 2020 ， 21 （ Suppl 11 ）： 878 . DOI： 10.1186/s12864-020-07249-8 http://dx.doi.org/10.1186/s12864-020-07249-8 .

CARUGO O ， DJINOVIĆ-CARUGO K . Structural biology： a golden era ［J］. PLoS Biol ， 2023 ， 21 （ 6 ）： e3002187 . DOI： 10.1371/journal.pbio.3002187 http://dx.doi.org/10.1371/journal.pbio.3002187 .

SCALZITTI N ， JEANNIN-GIRARDON A ， COLLET P ， et al . A benchmark study of ab initio gene prediction methods in diverse eukaryotic organisms ［J］. BMC Genomics ， 2020 ， 21 （ 1 ）： 293 . DOI： 10.1186/s12864-020-6707-9 http://dx.doi.org/10.1186/s12864-020-6707-9 .

MA X Y ， LYU H Y ， HAO K R ， et al . High-efficient ab initio Bayesian active learning method and applications in prediction of two-dimensional functional materials ［J］. Nanoscale ， 2021 ， 13 （ 35 ）： 14694 - 14704 .

GREENER J G ， KANDATHIL S M ， JONES D T . Deep learning extends de novo protein modelling coverage of genomes using iteratively predicted structural constraints ［J］. Nat Commun ， 2019 ， 10 （ 1 ）： 3977 . DOI： 10.1038/s41467-019-11994-0 http://dx.doi.org/10.1038/s41467-019-11994-0 .

BAEK M ， DIMAIO F ， ANISHCHENKO I ， et al . Accurate prediction of protein structures and interactions using a three-track neural network ［J］. Science ， 2021 ， 373 （ 6557 ）： 871 - 876 . DOI： 10.1126/science.abj8754 http://dx.doi.org/10.1126/science.abj8754 .

WANG W K ， PENG Z L ， YANG J Y . Single-sequence protein structure prediction using supervised transformer protein language models ［J］. Nat Comput Sci ， 2022 ， 2 （ 12 ）： 804 - 814 . DOI： 10.1038/s43588-022-00373-3 http://dx.doi.org/10.1038/s43588-022-00373-3 .

DEY S ， GATES H ， SALEHI R ， et al . AstraMEV （AI-guided structural assembly of multi-epitope vaccines） against infectious bronchitis virus ［J］. J Chem Inf Model ， 2025 ， 65 （ 21 ）： 12068 - 12087 . DOI： 10.1021/acs.jcim.5c01809 http://dx.doi.org/10.1021/acs.jcim.5c01809 .

KUMAR A ， DIXIT S ， SRINIVASAN K ， et al . Personalized cancer vaccine design using AI-powered technologies ［J］. Front Immunol ， 2024 ， 15 ： 1357217 . DOI： 10.3389/fimmu.2024.1357217 http://dx.doi.org/10.3389/fimmu.2024.1357217 .

LEE S ， KIBLER R D ， AHN G ， et al . Four-component protein nanocages designed by programmed symmetry breaking ［J］. Nature ， 2025 ， 638 （ 8050 ）： 546 - 552 . DOI： 10.1038/s41586-024-07814-1 http://dx.doi.org/10.1038/s41586-024-07814-1 .

DOWLING Q M ， PARK Y J ， FRIES C N ， et al . Hierarchical design of pseudosymmetric protein nanocages ［J］. Nature ， 2025 ， 638 （ 8050 ）： 553 - 561 . DOI： 10.1038/s41586-024-08360-6 http://dx.doi.org/10.1038/s41586-024-08360-6 .

HAAS C M ， JASTI N ， DOSEY A ， et al . From sequence to scaffold： Computational design of protein nanoparticle vaccines from AlphaFold2-predicted building blocks ［J］. Proc Natl Acad Sci USA ， 2025 ， 122 （ 45 ）： e2409566122 . DOI： 10.1073/pnas.2409566122 http://dx.doi.org/10.1073/pnas.2409566122 .

IKHSANURAHMAN R Y ， IKHSAN N ， KURNIAWAN I . Classification of CDK2 inhibitor as anti-cancer agent by using simulated annealing-support vector machine methods ［C］// 2022 International Conference on Data Science and Its Applications （ICoDSA）， Bandung ： IEEE ， 2022 ： 82 - 86 . DOI： 10.1109/ICoDSA55874. 2022.9862929 http://dx.doi.org/10.1109/ICoDSA55874.2022.9862929 .

TIWARI P ， ALI S A ， PURI B ， et al . Tinospora cordifolia Miers enhances the immune response in mice immunized with JEV-vaccine： a network pharmacology and experiment al approach ［J］. Phytomedicine ， 2023 ， 119 ： 154976 . DOI： 10.1016/j.phymed.2023.154976 http://dx.doi.org/10.1016/j.phymed.2023.154976 .

MA J ， WANG S Q ， ZHAO C F ， et al . Computer-aided discovery of potent broad-spectrum vaccine adjuvants ［J］. Angew Chem Int Ed ， 2023 ， 62 （ 18 ）： e202301059 . DOI： 10.1002/anie.202301059 http://dx.doi.org/10.1002/anie.202301059 .

CUI Z ， SHI C Y ， AN R ， et al . In silico-guided discovery of polysaccharide derivatives as adjuvants in nanoparticle vaccines for cancer immunotherapy ［J］. ACS Nano ， 2025 ， 19 （ 2 ）： 2099 - 2116 . DOI： 10.1021/acsnano.4c08898 http://dx.doi.org/10.1021/acsnano.4c08898 .

KHUAT T T ， GABRYS B . Random hyperboxes ［J］. IEEE Trans Neural Netw Learning Syst ， 2023 ， 34 （ 2 ）： 1008 - 1022 . DOI： 10.1109/tnnls.2021.3104896 http://dx.doi.org/10.1109/tnnls.2021.3104896 .

PURI M ， MIRANDA-HERNANDEZ S ， SUBBIAN S ， et al . Repurposing mucosal delivery devices for live attenuated tuberculosis vaccines ［J］. Front Immunol ， 2023 ， 14 ： 1159084 . DOI： 10.3389/fimmu.2023.1159084 http://dx.doi.org/10.3389/fimmu.2023.1159084 .

OLAWADE D B ， WADA O J ， DAVID-OLAWADE A C ， et al . Using artificial intelligence to improve public health： a narrative review ［J］. Front Public Health ， 2023 ， 11 ： 1196397 . DOI： 10.3389/fpubh.2023.1196397 http://dx.doi.org/10.3389/fpubh.2023.1196397 .

ESMAEILZADEH P . Challenges and strategies for wide-scale artificial intelligence （AI） deployment in healthcare practices： a perspective for healthcare organizations ［J］. Artif Intell Med ， 2024 ， 151 ： 102861 . DOI： 10.1016/j.artmed.2024.102861 http://dx.doi.org/10.1016/j.artmed.2024.102861 .

WANG G P ， ZHENG C J ， LU M X ， et al . Assessment of knowledge， attitudes， practices， and risk perceptions regarding COVID-19： a cross-sectional study from China ［J］. J Public Health ， 2024 ， 32 （ 6 ）： 943 - 953 . DOI： 10.1007/s10389-023-01877-6 http://dx.doi.org/10.1007/s10389-023-01877-6 .

FU L X ， JIA G S ， LIU Z M ， et al . The applications and advances of artificial intelligence in drug regulation： a global perspective ［J］. Acta Pharm Sin B ， 2025 ， 15 （ 1 ）： 1 - 14 . DOI： 10.1016/j.apsb.2024.11.006 http://dx.doi.org/10.1016/j.apsb.2024.11.006 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Establishment of a chest-CT-image-based classification deep learning model for pneumonia prediction

Advances and perspective of artificial intelligence in clinical area

A deep learning-based model for significantly enhancing diagnostic accuracy and efficiency in novice sonographers: development and validation of a YOLOv13-powered real-time abdominal ultrasound anomaly detection system

Ring-Feature Fusion Network(RFFNet): a deep learning model integrating CNN and transformer with endoscopic distortion correction for high-accuracy real-time diagnosis of inflammatory bowel disease

Integrative model combining deep learning, clinical and radiomic features enhances EGFR mutation prediction in non-small cell lung cancer

Related Author

Meng ZENG

Na ZHAO

Xianqi WANG

Huilin PANG

Wenjing HOU

Lingling LIU

Xiaowen WANG

Jiali GONG

Related Institution

Department of Radiology, First Affiliated Hospital, Army Medical University (Third Military Medical University)

Chongqing Zhijian Life Technology Co., Ltd

Department of Radiology, Chongqing University Three Gorges Hospital

Department of Health Statistics, Faculty of Military Preventive Medicine, Army Medical University (Third Military Medical University)

Department of Digital Medicine， College of Biomedical Engineering and Imaging Medicine， Army Medical University （Third Military Medical University）

⁰