CoVFit：一个基于人工智能的框架，用于预测 SARS-CoV-2 变体的进化适应度

COVID-19 疫情期间，SARS-CoV-2 变异株的快速演化凸显了预测未来疫情爆发的先进工具的必要性。本研究引入了 CoVFit，这是一个由人工智能驱动的模型，可分析刺突蛋白突变以评估 SARS-CoV-2 变异株的适应性。通过结合分子和流行病学数据，CoVFit 能够提供关于新发变异株传播性和免疫逃避的早期洞察，为疫情防范、疫苗设计和全球风险评估提供强有力的工具。

　　

由于病毒通过突变快速进化，病毒性传染病带来了重大挑战。这在 COVID-19 疫情期间尤为明显，当时新出现的 SARS-CoV-2 变异株引发了新一波感染。这些变异株通常携带突变，使其更具传染性，从而能够在人群中迅速传播。了解病毒的“适应度”（即其在宿主群体中传播的能力）对于管理和预测病毒威胁至关重要。尽管已有基于突变模式评估变异株适应度的方法，但缺乏考虑突变间相互作用的统计模型。

为了应对这一挑战，由日本东京大学医学科学研究所副教授伊藤纯平（Jumpei Ito）领导的研究团队，包括亚当·斯特兰奇（Adam Strange）博士和佐藤圭（Kei Sato）教授，推出了CoVFit，这是一个旨在预测SARS-CoV-2变异株适应度的新型框架。他们的研究成果于2025年5月13日在线发表于《自然通讯》（Nature Communications） 。CoVFit将分子数据与大规模流行病学数据相结合，提供了一个预测模型，帮助我们理解为何某些变异株能够成功，而另一些则无法成功。该框架不仅能够追踪病毒的传播，还能揭示病毒成功的根本原因，使其成为实时监测和应对当前及未来病毒疫情的有力工具。

CoVFit 模型采用创新方法开发，结合??了分子和流行病学数据。该团队重点研究了刺突蛋白 (S) 的突变，这些突变会影响病毒逃避既往感染或疫苗接种的免疫保护的能力，以及变异株在不同时间和不同地区的流行趋势。通过结合这些信息，CoVFit 经过训练和测试，可以预测变异株的适应度评分。

伊藤博士解释说：“我们开发了一种人工智能 (AI) 模型 CoVFit，它可以根据 S 蛋白序列预测 SARS-CoV-2 变异株的适应度。利用 CoVFit，我们阐明了 SARS-CoV-2 获得了哪些突变来增强其适应度并不断扩大传播。” 该模型展现出令人印象深刻的能力，能够高精度地预测病毒中单个氨基酸替换的进化影响，从而深入了解病毒的进化和传播方式。伊藤博士还指出：“ CoVFit 有望能够及早发现具有广泛传播潜力的高风险变异株，理想情况下，当数据库中仅记录了该变异株的单个序列时，就能发现它们。”

该团队进一步开发了一种利用 CoVFit 预测病毒进化的前瞻性方法。他们通过在参考菌株中引入所有可能的单个氨基酸替换，系统地生成计算机模拟突变体，并预测每个突变体的适应度。这使得识别出未来变体中极有可能出现的突变成为可能。当应用于 Omicron BA.2.86 谱系时，CoVFit 预测 S 蛋白 346、455 和 456 位点的替换将增强病毒的适应度。值得注意的是，这些精确的突变后来在 BA.2.86 的后代谱系（JN.1、KP.2 和 KP.3）中被观察到，这些谱系随后在全球范围内传播。Ito 博士总结道：“这些发现凸显了 CoVFit 预测单个氨基酸替换驱动的进化变化的能力。”

总而言之，CoVFit 代表着我们预测、解读和应对病毒进化能力的重大突破。它通过人工智能将分子生物学与人群层面的数据相结合，为应对疫情提供了一种灵活、透明且及时的方法。随着病毒的不断进化，像 CoVFit 这样的工具将在指导全球积极主动、知情的公共卫生应对措施方面发挥关键作用。

 A protein language model for exploring viral fitness landscapes