2026 年 9 月 5 日，一篇 bioRxiv 预印本给"预测病毒进化"这个老难题交了新答卷：斯坦福大学和 Arc Institute 的团队训练出 antiGen，只用新冠疫情第一年的 323,950 条序列，就去预测此后 9,011,678 条序列里真实出现的突变。结果不仅压过 EVE、ESM-2 等主流模型，还超过了被视为金标准的深度突变扫描实验——论文共同一作是 Ivan Specht 和 Soyoon Park，通讯作者是 Brian Hie。但更让人意外的是它的体量：参数量不到 60 万，单张 H100 训练只要 3 分钟。
预测病毒下一步怎么变，是疫苗和抗体设计里最值钱的难题：预测对了，疫苗就能提前覆盖未来的变异株。过去的主流路线是把海量序列喂给蛋白语言模型，让模型从序列本身学规律；但序列库有个致命偏倚——测序多的变异株会淹没信号，模型容易把"常见"当成"适应"。antiGen 换了个思路：不读序列，读家谱。
不学序列，学家谱
家谱就是系统发育树：把 900 多万条序列按亲缘关系挂成一棵树，每条树枝上标注推断出的突变。团队借鉴 UShER 算法造了一条高性能流水线，把百万级序列逐一挂到引导树上，再把每个节点拆成训练样本——亲代基因型加上它后代身上出现过的突变。但真正的巧思在训练目标：模型学的是"给定起始序列，下一个突变最可能落在哪个位置、变成什么"，和预测任务完全对齐。
模型本身小得反常：两层 Transformer，参数量 46 万到 57 万，视蛋白长度而定。一个关键设计是把 softmax 施加在整个输出矩阵上，而非每个位置单独归一化，这样不同位置固有的突变倾向差异被保留下来。但小体量还有另一层好处：训练数据来自树结构而非序列堆叠，某个变异株被过度测序也不会带偏模型——这正是蛋白语言模型的已知短板。
用第一年的数据，考后五年的题
考试设计堪称苛刻：训练集截止于疫情第一年，测试集是之后所有年份的 900 多万条序列，模型要预测每个基因型的下一个突变。按"下一突变召回率"的曲线下面积排名，antiGen 超过所有对手拿下第一；只看训练期从未出现过的 de novo 突变，优势反而更大。但也有例外：单看最可靠的前 10% 预测，一个只用训练数据统计的 PSSM 矩阵反而更稳——简单基线在数据少时依然难缠。
第二场考试更接近公卫实战：以 2021 年底出现的奥密克戎 BA.2 为根，预测它的后代里哪些突变真的在人群中出现。antiGen 的群体预测精度再次领先，全部突变约 90%、de novo 突变约 70%，与 BA.2 实验数据的相关性也是所有计算方法里最高的。不过当筛选"出现 100 次以上"的高频突变时，EVE 和 PSSM 略微反超；把 EVE 按 antiGen 的数据和目标微调后又能赢回来——某些任务上，混合路线才是最优解。
预测出的突变，要在实验室活下来
计算预测再漂亮，也得过湿实验这关。团队以当时流行的 XFG 变异株为背景，合成 antiGen 排名前十的突变和排名前十的 de novo 突变，用流式病毒定量术把颗粒数归一化后测假病毒感染力。20 个突变体里大多数保留了感染力：整体预测前十中 6 个达到或超过野生型，一个 de novo 突变体感染力翻了两倍多，完全失活的只有两个。但体外感染力只是传播力的一部分，复制能力和免疫逃逸都不在这个实验的射程内。
数据少的地方，才是真考场
真正的考验在数据稀缺的地方。H3N2 流感的训练序列 61,446 条（2022 年切分），RSV 只有 3,913 条（2020 年切分），登革热 11,898 条（2019 年切分），都不到新冠数据的零头。antiGen 在三种病毒的几乎所有指标上仍然第一，且在 de novo 突变上的领先幅度比新冠更大——数据越少，家谱的价值越凸显。不过登革热的测试集遗传多样性有限，到 2026 年实际观察到的 de novo 突变只占预测前 10% 的约 6%，小数据场景的置信度仍需打折。
小模型的胜利，和它的边界
有时候，对的训练目标比更多的参数值钱。antiGen 的参数量只有 ESM-2 650M 的千分之一，训练成本 3 分钟，却在多数评测中压过大模型。它证明了一件事：把进化史本身当训练数据，比把序列堆进大模型更接近预测任务的本质。但作者自己也承认，模型的一部分能力可能只是学会了"这个突变在训练里见过没有"，真正支撑 de novo 泛化的机制——保守性、氨基酸化学相似性还是遗传密码距离——还没有被完全解释。不过这条数据生成流水线理论上适用于任何高同源性的序列集合，细菌病原体和肿瘤进化都在候选名单上。
边界同样写得清楚：训练序列必须和待预测对象在进化上足够近，面对监测数据稀缺的新发病原体，这套方法使不上力。团队还主动讨论了生物安全：单点突变与已知毒株同源性极高，现有 DNA 合成筛查即可拦截，风险有限。但比安全声明更实在的是开源诚意——代码 MIT 许可、pip 一键安装，四种病毒的训练数据全部存档 Zenodo，连论文图表的 R 代码都一并公开。
从 EVEscape 到 antiGen，病毒进化预测的主线正在从"序列里有什么"转向"进化往哪走"。只要监测网络每天产生新序列，家谱就每天长大，模型的训练数据自动变厚——预测只会越来越准。但下一个流感季来临之前，疫苗株的选择敢不敢参考 AI 画出的路线图，才是这套方法真正的成人礼。