2026 年 8 月 19 日，Moderna 与默克宣布：全球首个个体化癌症疫苗在 III 期临床中成功。在已完全切除肿瘤的 IIB 至 IV 期黑色素瘤患者中，这支疫苗联合 KEYTRUDA 同时达到了无复发生存期和远处转移生存期两个终点。这是个体化癌症疫苗第一次在最严格的临床试验里证明自己。但很少有人注意到，这支疫苗背后的设计算法，仍是一串专用工具的拼装。
不到一个月后，另一则消息补上了这块拼图。9 月，Evo 和 Evo 2 团队创办的 Radical Numerics 发布官方博客。他们把通用基因组大模型 Omnii 做了后训练（post-training），用来端到端设计癌症疫苗。但真正的看点是分差。在最难的 MHC I 类免疫原性预测上，Omnii 拿到 0.750 的 AUROC，最好的专用工具 BigMHC-IM 只有 0.558。
这家公司更引人注目的是出身。Evo 曾是全球最开放的生物大模型，权重、代码全部公开。而 Omnii 选择了闭源，只开放 early access。但要看懂这个转向，得先看 Omnii 到底做成了什么。
六步流程，两道鬼门关
设计一支个体化癌症疫苗，本质上是在给免疫系统发"通缉令"。先测序肿瘤、对比健康细胞，找出癌症特有的突变。再把突变翻译成候选肽段，预测哪些会被呈递到细胞表面、哪些能激活 T 细胞。最后挑出最好的几个，编码进 mRNA。整个流程一共六步，每一步都在筛掉错误的候选。但一个肿瘤往往带着数百个突变，绝大多数毫无用处。
六步里最关键的智能，藏在两个预测中。第一个叫呈递（presentation）：肽段能否嵌进病人的 MHC 分子，被摆上细胞表面。第二个叫免疫原性（immunogenicity）：T 细胞看到它之后，会不会真的动手。呈递决定免疫系统看不看得见，免疫原性决定它认不认。但后者要难得多——一张完美的通缉令，没人认出那张脸也是白搭。
一个模型读五种"语言"
为什么语言模型适合做这件事？因为突变没有固定含义。它的效果取决于周围的序列、改变的蛋白、病人携带的 MHC 类型、肿瘤的表达水平。就像同一个词在不同句子里意思不同，上下文决定一切。传统做法是为每个问题各造一个专用模型，但专用模型恰恰读不到这些跨层次的上下文。
Omnii 的思路是把上下文一次读全。它在预训练阶段同时读了 DNA、RNA、表观组学、蛋白序列和 token 化的 3D 蛋白结构，上下文窗口达到 200 万 token。但预训练只给它通用的生物学直觉，真正让它会做疫苗的，是针对性的后训练。
后训练后的 Omnii 同时预测 MHC I 类和 II 类的呈递与免疫原性。I 类负责指挥攻击，II 类负责组织与维持，理想疫苗需要两者。模型看到的不只是肽段和 MHC 的氨基酸序列，还有这些序列在三维空间里可能折成的形状。但形状信息到底值多少钱，要用 benchmark 说话。
0.750 对 0.558：最难的一关被拉开了
结果分两半。呈递预测上，Omnii 与专用工具基本持平：I 类 0.939 对 BigMHC-EL 的 0.933，II 类 0.945 对 NetMHCIIpan-4.3-EL 的 0.935。但真正的差距出现在免疫原性上。
I 类免疫原性：Omnii 0.750，BigMHC-IM 0.558，PRIME2.1 0.514。II 类：Omnii 0.778，TLimmuno2 只有 0.613。但 AUROC 只是平均分，设计疫苗看的是另一件事。
500 张"通缉令"，只许递 10 张
设计疫苗时，模型不需要对每个肽段都判断正确，只需要对排名最靠前的几个非常正确。一个肿瘤可能给出 500 个候选，但疫苗 cassette 里只有几十个位置。你关心的是第 1 到 5 名对不对，第 437 名排得准不准无所谓。所以 Radical 测了 precision@k：只许模型选前 5、10、20 个候选时，选中真阳性的比例。
Omnii 的优势在 k=5 时最大，恰好是最接近真实疫苗的场景。但优势大不等于账算得过来，他们算了一笔具体的账。
假设肿瘤给出 100 个候选，其中 6% 真有免疫原性，疫苗只装 5 个。Omnii 平均能选对 1.3 个，BigMHC-IM 是 0.7 个，NetMHCpan 和 PRIME2.1 各 0.6 个，随机选择只有 0.3 个。但排名只是中间产物，病人需要的是一支能生产的疫苗。
从肿瘤序列到一支 mRNA 疫苗
所以 Radical 给 Omnii 包了一条端到端管线。输入只有两样：病人肿瘤的突变序列，和他的 MHC 等位基因。输出是一段优化好的 mRNA cassette。模型甚至自发学会了对 cassette 做密码子优化，团队承认这出乎他们的意料。但这条管线目前只在公开数据上做到了 SOTA，真实世界还要看后训练数据。
从官方放出的产品界面看，这条管线已经产品化。上传 VEP 注释的肿瘤 VCF 文件和 HLA 等位基因，五个阶段自动跑完。最后给出每个候选的呈递、免疫原性评分和推荐的 mRNA 设计。界面右上角标着 PRIVATE，这套能力只通过 early access 开放。但想用它的人已经排上了队，公司正在公开招募癌症免疫学和疫苗开发的合作伙伴。
Evo 团队为什么把模型闭源了
要理解 Omnii，得先看它的出身。Radical 的四位创始人——Eric Nguyen、Michael Poli、Stefano Massaroli、Armin Thomas——正是 Evo 和 Evo 2 的缔造者。Evo 系列在超过 10 万个物种的基因组上训练，参数规模 400 亿，权重完全开源。但开源走到的最远一步，也让他们看到了风险。
2025 年 9 月，研究者用 Evo 的开源权重造出全球首个完全由 AI 设计的功能性病毒。正是这个里程碑推动四人创办公司，但他们做的第一个决定，就是让新模型闭源。
"我们不想再做一个学术玩具。"
资本已经投票。公司带着 5000 万美元种子轮走出隐身，Emergence Capital 领投，Stripe CEO Patrick Collison 在 pre-seed 轮入局。顾问名单里有微软首席科学官 Eric Horvitz 和哈佛大学的 George Church。一个模型能否把学到的生物学知识，通过后训练变成给某一个具体病人设计的药物？但这个问题，benchmark 回答不了。
真正的考试在临床上
Radical 自己在博客里承认了局限。公开的免疫原性数据集仍然很小、很杂，不同实验测量免疫反应的方式不同，一些 MHC 类型的数据远多于其他类型。所以他们按等位基因分别评估再取平均，并明确写道：benchmark 不代表病人。但这也是整个领域的天花板——数据稀缺卡住的是所有人，不只是 Omnii。
Moderna 用 III 期证明了个体化癌症疫苗能成，Omnii 证明了通用模型能把设计做得更准。但预测更好的疫苗是否真的是更好的疫苗，要等临床数据说话。Omnii 的 early access 已经开放，Radical 正在寻找有独特免疫学数据和验证能力的合作方。下一条新闻，可能取决于谁先把数据递过去。