人工智能重塑疫苗研发新范式：效率革命与精准设计

顾江; 李宇航

doi:10.16016/j.2097-0927.202512040

您当前的位置：

首页 >

文章列表页 >

人工智能重塑疫苗研发新范式：效率革命与精准设计

专家述评 | 更新时间：2026-03-02

- 人工智能重塑疫苗研发新范式：效率革命与精准设计
- Artificial intelligence reshaping vaccine development: a new paradigm of efficiency revolution and precision design
- 陆军军医大学学报 2026年48卷第4期页码：387-393
- 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：
  
  顾江，教授，博士生导师，陆军军医大学国家免疫生物制品工程技术研究中心副主任。国家重点研发计划首席科学家，“国防优才基金”获得者，军队高层次青年英才。中国疫苗行业协会细菌感染与疫苗研究专委会常委、秘书长，重庆微生物学会理事。先后获重庆市技术发明一等奖、军队科技进步二等奖等奖励。主要从事结构疫苗学基础与临床研究，围绕超级耐药菌的免疫干预展开，研制了原创1.1类新药——基因工程铜绿假单胞菌疫苗，获授权国家发明专利13项并实现成果转化。E-mail： jianggu2012@163.com
- 基金信息：
  
  国家重点研发计划(2024YFC2310801);重庆市高等教育教学改革研究项目(233584);Corresponding author： GU Jiang, E-mail： jianggu2012@163.com
- DOI：10.16016/j.2097-0927.202512040
  中图分类号： R319;R392.7
- 收稿：2025-12-09，
  
  修回：2026-01-14，
  
  录用：2026-01-20，
  
  纸质出版：2026-02-28
- 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 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于胸部CT图像的肺炎深度学习分类预测模型

人工智能在临床领域的研究进展及前景展望

一种可显著提升初级超声医师诊断准确性与效率的深度学习模型：基于YOLOv13的腹部超声异常实时识别系统开发与验证

环形特征融合网络（RFFNet）：一种融合CNN与Transformer并校正内镜畸变实现炎症性肠病高精度实时诊断的深度学习模型

融合深度学习、临床与影像组学特征的综合模型提升非小细胞肺癌EGFR突变预测效能