沒人敢這么做！從MenB到RSV再到AI，這個科學家三次定義疫苗未來！

如果讓你想象一個科學家在職業生涯中完成一次重大技術突破，這已經足夠令人敬佩。但如果他不僅完成了一次，而是連續三次改寫整個領域的設計規則，從B群腦膜炎球菌（MenB）到呼吸道合胞病毒（RSV），再到人工智能驅動的疫苗設計——這個人就是Rino Rappuoli，一個用“反向思維”重新定義疫苗學的傳奇人物。

第一次革命：當基因組學“反著來”

20世紀以前，疫苗研發遵循著一個簡單直接的邏輯：找到病原體，把它殺死或減毒，然后注射到人體。對于能培養的細菌和病毒，這個方法確實管用。但有一個致命的缺陷：對于那些難以培養、或者表面抗原高度變異的病原體，傳統方法往往束手無策。

B群腦膜炎球菌（MenB）能引起腦膜炎和敗血癥，在幾小時內奪走兒童和年輕人的生命。然而，它的莢膜多糖與人類自身組織中的分子結構相似，無法直接用作疫苗。更棘手的是，它表面那些可誘導保護性免疫的蛋白質，序列變化極大——就像流感病毒每年都要換“外套”一樣，MenB也在不斷改變自己的“面孔”。

在過去40年里，科學家們用傳統方法只找到了十幾種可能的抗原。而Rappuoli在2000年提出的“反向疫苗學”，徹底顛覆了這一模式。

傳統方法是“從菌到蛋白”：先培養細菌，再把細菌“拆解”成單個成分，逐一測試它們的免疫保護能力。而反向疫苗學則是“從基因到蛋白”：先測出病原體的全部基因序列，通過計算機分析預測哪些基因可能編碼表面蛋白，然后克隆表達、篩選鑒定。

這個“反向”思維帶來了幾個革命性突破：第一，不需要培養病原體，危險細菌也能安全研究；第二，可以預測病原體在感染人體時表達的抗原，而不只是在實驗室培養皿中表達的；第三，能在極短時間內篩選出大量候選抗原。

當Rappuoli的團隊將這種方法應用于MenB時，結果令人震驚：在18個月內，他們發現了85種新型表面蛋白，其中25種能誘導殺菌抗體——這個數字是過去40年傳統方法發現數量的數倍。更重要的是，這些新發現的抗原大多是高度保守的球形蛋白，不受序列變異的影響。

這一成果最終催生了4CMenB疫苗——全球首個基于反向疫苗學技術獲批的疫苗，也是目前唯一能廣泛覆蓋B群腦膜炎球菌的疫苗。它包含了三種重組蛋白抗原（fHbp、NadA、NHBA）和外膜囊泡（OMV），能誘導針對78%流行菌株的殺菌抗體。

第二次革命：結構生物學精準鎖定RSV

如果說反向疫苗學解決的是“找抗原”的問題，那么第二次革命則是回答“如何讓抗原呈現最佳保護構象”。

呼吸道合胞病毒（RSV）的F蛋白會“變形”：感染前是融合前構象，進入細胞后轉變為穩定的融合后構象。2013年研究發現，人體自然感染后產生的保護性抗體，絕大部分針對的是不穩定的融合前構象——這正是傳統疫苗屢屢失敗的關鍵。

Rappuoli團隊“反著來”：從康復者體內找到最有效的保護性抗體D25，其中和能力是當時唯一獲批抗體的10到100倍。通過解析抗體與F蛋白的復合物結構，他們發現D25識別的是一個位于蛋白頂端的“超敏感位點”：抗原位點?。這個發現為后續穩定融合前構象、設計RSV疫苗奠定了基礎。

接下來的挑戰是：如何在沒有D25抗體存在的情況下，讓F蛋白自己穩定在這個融合前構象？

團隊在F蛋白中引入了一系列突變：有的形成二硫鍵把蛋白“鎖住”，有的填充疏水空腔讓結構更緊密。經過上百次嘗試，他們篩選出DS-Cav1組合——一個能耐受極端pH、溫度和滲透壓變化的穩定融合前構象。

當用DS-Cav1免疫小鼠和恒河猴時，誘導的中和抗體滴度是融合后構象疫苗的5-10倍，是保護性閾值的40倍。更重要的是，這些抗體同時能有效中和RSV的A和B兩個亞型。

2023年，基于這一技術研發的RSV疫苗（Arexvy）獲得FDA批準上市，成為全球首個獲批的RSV疫苗。從發現D25抗體到疫苗獲批，歷時10年——這在傳統疫苗研發史上已經算“光速”，但Rappuoli的第三次革命，將這個時間壓縮到了幾天。

第三次革命：AI讓疫苗設計進入“天”時代

2022年，猴痘病毒在全球蔓延。雖然天花疫苗對猴痘有一定交叉保護，但全球大多數年輕人從未接種過，且傳統疫苗效力有限。

Rappuoli團隊決定用人工智能加速研發，提出了“反向疫苗學3.0”：將反向疫苗學、結構生物學與AI蛋白預測技術深度融合。

傳統反向疫苗學始于基因組序列，預測表面抗原。而3.0版本更進一步：直接從感染康復者的記憶B細胞中分離抗體，通過高通量篩選找到最有效的廣譜中和抗體，再用AI預測這些抗體識別的是哪個抗原。

團隊從猴痘感染者或疫苗接種者的外周血中分離記憶B細胞，用混合病毒顆粒篩選出能同時中和成熟病毒和包膜病毒的抗體。最終，他們獲得了一組前所未有的廣譜中和抗體，能交叉中和猴痘的不同進化支，甚至能中和天花病毒。

接下來是關鍵一步：用AlphaFold 3預測這些抗體識別的抗原。輸入抗體序列和猴痘病毒所有表面抗原序列后，AI模型在5天內給出了兩個高置信度預測——OPG153，一個此前從未被發現的病毒蛋白。隨后，冷凍電鏡結構解析證實了AlphaFold 3的預測完全正確。

用純化的OPG153蛋白加佐劑免疫動物，誘導的中和抗體滴度與活減毒疫苗相當，不遜于任何多價mRNA疫苗。更令人驚訝的是，這個單價的抗原就達到了多價疫苗的效果。

從抗體篩選到抗原發現，整個過程僅用幾個月，而AI預測環節只用了5天。

未來已來：AI正在重新定義疫苗

從2000年反向疫苗學，到2013年結構疫苗學，再到今天AI驅動的第三代，Rappuoli三次改寫了疫苗設計規則。每一次變革，都是對前一階段的反思與超越。

如今，AI不僅加速抗原發現，更重塑了整個設計流程。當然，挑戰依然存在——AlphaFold 3對猴痘抗原的預測成功率只有25%，AI模型嚴重依賴高質量數據，在系統疫苗學、佐劑機制等領域，這樣的數據集遠未形成。

但方向已經清晰：疫苗研發正從“試錯”轉變為一門“設計”的科學。正如Rappuoli所說：“我們不再等待感染發生，再觀察誰產生了保護性抗體。我們可以直接問：什么是完美的免疫原？然后去設計它。”

不是被動等待，而是主動創造——這才是“反向疫苗學”最深刻的啟示。

https://pubmed.ncbi.nlm.nih.gov/11257410/

https://pubmed.ncbi.nlm.nih.gov/22607904/

https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4821650/

https://pubmed.ncbi.nlm.nih.gov/24179220/

https://www.nature.com/articles/s41579-026-01286-y

主編微信

注：添加微信請備注昵稱+單位+研究

微信學科討論群：病毒學群，神經科學群、臨床醫學、腫瘤學科群、碩博交流群和醫藥投資交流群（微信群審核要求較高，請各位添加主編后主動備注單位研究方向）