麻省理工学院研究人员提出一种结合机器学习的新疫苗方法，有望终结加强针及针对季节性变异株的频繁接种。这种“泛变异株”疫苗不直接靶向病毒本身，而是通过快速清除受感染细胞来控制感染。
需明确指出，该研究目前仍处于动物实验阶段，距离实际应用尚远。但随着新冠病毒在人群中常态化，人们迫切需要比偶发性加强针更持久的解决方案。
现有mRNA疫苗虽效果显著，但属于被动应对：发现变异株后提取其刺突蛋白等特征引入免疫系统，类似让搜救犬嗅探特定物品。MIT计算机科学与人工智能实验室团队则致力于寻找更持久的防御机制，相关论文已发表于《免疫学前沿》期刊。
鉴于刺突蛋白持续变异，团队放弃直接攻击病毒，转而聚焦于病毒感染细胞表面稳定出现的分子信号。若早期识别这些信号并调动T细胞，便可在感染达到危险或传染水平前将其遏制。
这些表面信号即人类白细胞抗原（HLA），它们向T细胞展示肽段组合。正常状态下为熟悉组合，T细胞继续巡逻；一旦出现异常病毒片段，T细胞随即发起攻击。
机器学习在此发挥关键作用。基于海量新冠病毒蛋白质及氨基酸链数据，算法能从噪声中筛选出约30种在所有病毒版本中保守存在、且与HLA关联的肽段，作为T细胞识别的“旗标”。
实验显示，携带人类HLA转基因小鼠接种新疫苗后，感染初期免疫反应更强，且无一死于病毒感染。主要作者Brandon Carter表示：“这证明利用机器学习设计的疫苗在活体系统中能有效抵御新冠病毒。”
该方法可能为免疫功能低下者及“长新冠”患者提供重要保护，通过全面免疫攻击缓解顽固感染症状。研究摘要指出：
MIT-T-COVID免疫小鼠未检测到特异性抗体反应，表明仅靠特异性T细胞反应即可有效减轻SARS-CoV-2感染发病机制。结果值得进一步研究泛变异株T细胞疫苗，包括用于无法产生中和抗体的个体或缓解长新冠症状。
这是利用计算技术服务全球健康的 promising 方向，但“泛变异株”方案仍处早期。需注意其与现有疫苗的潜在相互作用，以及过强免疫反应可能导致误伤正常细胞的风险。随着更多测试推进，这一前景广阔方案的潜力将得到更深入验证。