冻结的点预测，而非整季 VE
论文针对 2026–2027 美国流感季给出三个彼此独立的预测，每个病毒组分一个：A(H1N1)pdm09、A(H3N2) 和 B/Victoria。拓扑模型预测的疫苗有效性（VE）分别为 40.3%、56.9% 和 47.1%；几何模型预测为 34.0%、56.8% 和 51.1%。这些是按亚型或谱系给出的点预测，不是整季的总体 VE 估计；作者把两种方法分别报告，没有取平均。
这些预测是冻结的：生成时没有使用任何 2026–2027 季 VE 结果，目的是日后与 US Flu VE Network 对相应亚型和谱系的最终估计作比较。这一设计决定了数字该怎么读。季前做出的预测是关于未来的、可被检验的断言，而不是对已经观察到的保护效果的测量。
两个模型在 A(H3N2) 上最接近，只差 0.1 个百分点；在 A(H1N1)pdm09 上分歧最大，拓扑模型的预测高出 6.3 个百分点。论文没有把两者平均，也没有断言哪一个在新流感季更优，而是把两者都作为同一批 HA 序列的表示分别报告。
两种由氨基酸模式构造的距离
每个预测的输入，是流行病毒与同一流感季、同一亚型或谱系对应的疫苗目标株之间的距离。两种距离都从血凝素（HA）蛋白计算，HA 是流感的主要表面蛋白，论文把它的变异当作信号。方法记录单个氨基酸、相邻氨基酸对和相邻氨基酸三联体在 HA 序列上的位置，再概括这些模式在病毒与疫苗株之间的差异。
拓扑距离使用 Betti-0 曲线。对一维的氨基酸位置点云，曲线统计随着阈值半径增大还剩多少个彼此分离的组；相邻位置之间出现大间隙，就会把一个组分成两个。论文推导出闭式表达，因此只需对位置及其相邻间隙排序即可计算这条曲线，不必构造单纯复形。几何距离则读取拉普拉斯谱，并用 Grassmann 弦距离作比较。
每个病毒贡献一个距离，距离在同一流感季、同一组分内取平均，得到每个观测的一个平均距离。这条聚合规则很重要：提交序列多的流感季不会被当成多个独立的 VE 观测。历史分析把 26 个这样的平均距离与 26 个已发表的临床 VE 估计配对，覆盖 13 个流感季，因此每个回归观测只带一个距离和一个 VE 值。
历史拟合解释 30–36% 的 VE 变异
在 26 个历史观测中，两种距离都与 VE 负相关：流行病毒与疫苗株差异越大，测得的有效性越低。拓扑模型的拟合为 VE = 76.35 − 22.84·D_A，R² = 0.304，双侧斜率置换检验 p = 0.0033。几何模型为 VE = 74.10 − 31.53·D_B，R² = 0.360，p = 0.0009。
这些 R² 值界定了序列信号能承载多少信息。两个模型分别解释历史 VE 变异的 30.4% 和 36.0%，大部分变异仍未解释。作者明确指出，这些合并拟合描述的是跨亚型、谱系和流感季的关联，并不能确立对未来流感季的预测准确度。p 值检验的是各自的关联，而不是两种方法之间的差异。
论文还报告，加入亚型或谱系截距的组分调整分析，未能确立超出亚型或谱系身份之外的关联；在各亚型或谱系内部单独拟合也得不出确定结论。换言之，在这份数据中，序列距离能提供超出“知道讨论的是哪种病毒”之外的信息，这一点的证据有限。
8–9 月距离跟随入组期距离
早秋做出的预测，只有在当时采样的病毒与临床测量 VE 时流行的病毒相似时才有用。论文用 8 个流感季的 18 个配对观测检验了拓扑距离：把同一流感季、同一病毒组的 8–9 月平均距离与临床入组期间的平均距离配对。合并相关系数为 r = 0.942。
由于这个合并数值可能部分反映亚型或谱系之间稳定的差异，作者在两个时间窗内分别减去各病毒组的均值，再比较剩余偏差。相关系数仍高达 r = 0.844，基于流感季聚类的自助法 95% 区间为 0.632–0.980，反映的是 8 个可用流感季带来的不确定性。早秋高于或低于本组均值的观测，在入组期间往往仍高于或低于本组均值。
作者明确说明了这能证明什么、不能证明什么。它支持在入组期序列尚不可得时，用早期距离衡量病毒与疫苗之间的相对差异；但仅有相关性，并不能证明两个时间窗给出的距离在数值上可以互换。该比较只覆盖两个时间窗都有数据的流感季，而且只针对拓扑距离，因此不能直接验证几何距离，也不能确立准确的临床 VE 预测。
预测区间宽约 52–58 个百分点
2026–2027 的预测附带 95% 未来观测区间，宽约 52–58 个百分点，反映历史拟合中大量未解释的变异。A(H1N1)pdm09 的拓扑预测为 40.3%，区间为 13% 至 68%；A(H3N2) 的 56.9% 对应 28% 至 86%；B/Victoria 的 47.1% 对应 20% 至 75%。几何模型的区间同样宽：8–60%、29–84% 和 24–78%。
这一宽度改变了数字的读法。对 A(H3N2) 的 56.9% 点预测和对 A(H1N1)pdm09 的 40.3% 点预测，并不意味着前者会被控制得很好、后者会很差；两个区间大幅重叠。论文自己的表述是：这些是按组分给出的点预测，预测区间很宽；要判断基于序列的预测能否可靠支持季前规划，还需要与最终临床 VE 估计比较，并在更多独立数据上评估。
作者还指出，历史上的预测增益有限。用较早流感季预测较晚流感季的时间验证结果，报告在论文的补充材料中，正文并未把它们呈现为证明了很强的前瞻准确度。
VE 不只取决于 HA 距离
论文引言说明了为什么序列距离不可能说明全部问题。序列差异更大，不一定意味着抗原差异更大；VE 还取决于既往免疫、疫苗特性、研究人群和所评估的临床结局。历史拟合中未解释的变异与这份清单相符：HA 距离只是模型未纳入的多种影响因素之一。
测量本身也有作者说明的边界。8–9 月的比较确立的是距离测量在时间上的一致性，而不是它的抗原有效性。历史队列要求流感 A 的 HA 序列完整且至少 1,650 个核苷酸、流感 B 至少 1,700 个，排除含模糊碱基的序列，并用事先设定的规则剔除非季节性病毒，因此被分析的序列只是所采集样本中经过筛选的一部分。
2026–2027 的输入是 2026 年 8–9 月在美国采集的 87 条 HA 序列：44 条 A(H1N1)pdm09、26 条 A(H3N2) 和 17 条 B/Victoria。因此 B/Victoria 的预测只基于 17 条序列，A(H3N2) 的预测基于 26 条；即便不考虑回归本身的不确定性，这对一个流感季的平均距离来说也是很小的基数。
决定性检验是与最终 VE 的前瞻比较
论文最关键的贡献不是某个组分的具体百分比，而是它建立的设计：在流感季前冻结预测，再与 US Flu VE Network 对相应亚型和谱系的最终估计打分。作者表示，正是这一比较，加上在更多独立数据上的评估，才能判断这些预测能否可靠支持季前规划。
在此之前，论文内部证据支持的是一种更有限的解读。历史关联在这份数据中确实存在（两个斜率分别为 p = 0.0033 和 p = 0.0009），在 18 个配对观测中，早秋拓扑距离也跟随入组期距离。但模型只解释历史 VE 变异的 30–36%，组分调整分析未能确立超出亚型或谱系身份之外的信息，而新流感季的区间宽到可以容纳非常不同的保护情景。
由此得出的实际优先事项是一项比较，而不是某个阈值：把两个模型按组分的预测并排看，注意它们在 A(H1N1)pdm09 上分歧最大（40.3% 对 34.0%），在 A(H3N2) 上分歧最小（56.9% 对 56.8%），并把与最终 VE 估计的前瞻打分视为决定基于序列的季前预测能否进入规划的关键结果。
本文引用的文献
数学 AI 预测 2026–2027 美国流感季对 H1N1 和 H3N2 的疫苗有效性分别为 40% 和 57%
用 2026 年 8–9 月的 HA 序列，拓扑模型预测 2026–2027 美国流感季 VE 为 40.3%（A(H1N1)pdm09）、56.9%（A(H3N2)）和 47.1%（B/Victoria）；几何模型给出 34.0%、56.8% 和 51.1%，95% 预测区间宽约 52–58 个百分点。