人工智能与机器学习（Artificial Intelligence and Machine Learning，AI/ML）正在成为疫苗领域最受关注的技术变量。区别于过去零星的应用探索，2026年发表于Current Research in Biotechnology的一项系统综述显示，AI/ML已贯穿疫苗全生命周期的多个关键环节：抗原发现、表位预测、候选分子筛选、临床前与临床开发、生产优化、需求预测、冷链管理以及公平部署。然而，数据孤岛、算法偏倚以及不同人群和场景下验证不均，仍是制约AI潜力转化为健康收益的主要障碍。本文结合近期相关研究，从疫苗全生命周期视角出发，梳理AI/ML在发现、开发、供应链和部署等各环节的变革潜力、现实边界与治理需求，以期为疫苗领域的数字化转型提供公共卫生视角的参考。
图1 AI/ML重塑疫苗科学的全生命周期框架
加速疫苗研发，但无法替代证据链
疫苗研发早期面对的是巨大的候选空间—病原体基因组、蛋白序列、突变谱、免疫表位和结构构象信息高度复杂，传统实验筛选耗时、耗资且不确定性高。AI/ML的首要贡献，是从海量数据中快速识别更值得实验验证的候选靶点。
2026年Okesanya等人发表的一项系统综述显示，在疫苗创新与发现阶段，卷积神经网络、支持向量机和集成学习方法被广泛用于表位预测、抗原分类和免疫原设计。在病毒性病原体中，深度学习模型已被用于预测SARS-CoV-2、丙型肝炎病毒等病原体表位；集成方法在多病原体预测任务（如寨卡病毒和疟疾）中也展现出较高的准确率。结构预测工具如Alpha Fold2通过提供关键蛋白构象信息，使研究者能够更快评估候选抗原的暴露表位和结构稳定性，为亚单位疫苗、mRNA疫苗和多表位疫苗设计提供支撑。进入临床开发阶段后，AI/ML可用于免疫应答预测、临床试验优化和不良事件预测。
研究也指出，许多模型的泛化能力受限于对精选数据集的依赖，外推到不同人群时可能出现性能下降。同时，AI预测结果仍需实验验证—模型预测的免疫原性不能直接等同于人体保护效果，数据库中的高准确率也不等于真实世界可转化性。
助力疫苗交付，仍需关注地区应用差异
全球免疫规划中的许多不尽人意，并非因为没有疫苗，而在于交付和实施的挑战——疫苗没有在正确时间、以合适数量、通过可信渠道到达目标人群。AI/ML在交付端最直接的用途是需求预测和资源调度。
AI驱动的预测分析通过分析流行病学趋势、人口模式、季节变化和历史接种率等多源数据，改变了疫苗需求预测方式。动态预测比传统按历史均值分配更能减少库存不足和过期浪费。冷链管理则体现了AI与物联网的结合价值：AI驱动的物联网系统可持续监测温度、湿度及其他环境条件；配备机器学习能力的智能传感器可在设备故障前进行预测，自动触发维护协议或重新规划运输路线以防止疫苗效力下降。
然而，许多低资源地区缺乏充分利用AI系统所需的技术基础设施，这可能加剧不同地区在疫苗配送效率上的差距。此外，AI/ML已被用于安全性预测，应用于疫苗上市后安全监测等场景。但安全监测中的AI必须具备可解释性—统计相关性不能直接等同于因果关系，模型输出必须说明关键变量、适用人群和误差范围。
发现免疫接种关键干预因素，仍需重视数据来源
AI技术也可在改善健康公平方面发挥作用。一项基于巴基斯坦人口与健康调查的研究提供了具体案例。该研究使用7150条记录和31个社会人口学属性，基于WHO设定的免疫覆盖率目标（地区级≥80%），将疫苗接受度预测为四个等级：低（<60%）、中（60%-75%）、部分高（70%-80%）和高（>80%）。研究采用LightGBM算法构建预测模型，在平衡数据集中准确率达98%。
关联规则分析显示，低接受度与较低的社会经济地位、地区、父母职业和母亲教育水平等因素显著相关；特征重要性分析进一步揭示了儿童健康卡（免疫接种卡）、肺炎球菌疫苗剂次、脊灰疫苗剂次、地区和5岁以下儿童数等变量的预测价值。这些发现提示，AI不仅可以帮助识别“哪里接种不足”，还能揭示“为什么不足”——低接受度往往与结构性因素（如贫困、教育水平低、偏远地区）相关，而非简单的“意愿”问题。
研究也指出，当前AI训练数据在人口覆盖范围上存在局限性（如地域、种族、年龄等维度的代表性不足），且数据来源存在系统性偏差，这可能拉大全球健康领域的两极分化。若训练数据主要来自医疗资源充足地区，模型可能把既有不平等误认为“正常模式”，进而低估服务薄弱地区的真实需求。
控制AI技术局限性的风险因素
AI在疫苗全生命周期中的主要风险，在于技术局限性可能被制度性地放大，其中数据孤岛是核心障碍之一。疫苗研发、临床试验、药物警戒、生产流通、冷链监控和接种登记数据往往分散在不同系统中，数据格式、质量、权限和更新频率差异显著，缺乏标准化元数据和互操作接口会限制模型整合证据和跨地区验证的能力。
算法偏倚同样不可忽视：训练数据代表性不足、不平衡样本和历史资源分配不均，都可能使模型在低资源人群中表现较差。涉及优先接种和资源分配的模型，应在部署前进行分层性能评估，关注不同人群中的误差分布和潜在政策后果。
真实世界验证不足会制约AI落地——许多模型仍停留在计算模拟、离线验证或单一数据集评估阶段。公共卫生部门不能仅看模型性能指标，还应评估模型在实际应用中的效果—是否提高及时接种、降低疫苗损耗、改善覆盖公平、减少基层负担并具有成本效果。可解释AI、实施科学和卫生经济学评估，应成为疫苗AI研究的常规组成部分。
综合上述，人工智能已初步展现了其重塑疫苗全生命周期的价值，但更多的证据仍需进一步落地转化为行动，确保稳定的免疫服务和健康公平。
编译撰稿：李周蓉
审核校对：潘张旸 张馨予
编辑排版：李睿彤
参考文献
[1] Okesanya OJ, Hassan MM, Adebayo UO, et al. Artificial intelligence and machine learning across vaccine lifecycle: a systematic review. Current Research in Biotechnology. 2026;11:100379.
[2] Qureshi MS, Qureshi MB, Iqrar U, et al. AI based predictive acceptability model for effective vaccine delivery in healthcare systems. Scientific Reports. 2024;14:26657.
[3] Next Global Health Consulting. AI Solutions for Supply Chain Optimization in Global Vaccine Distribution. 2025.
