La investigación actual se centra en el diseño de vacunas de múltiples epítopos a través de métodos simulados por inteligencia artificial para abordar las limitaciones de los enfoques tradicionales construidos sobre patógenos reales. Yang y col. desarrolló el método basado en IA (DeepVacPred) que integra un enfoque computacional con redes neuronales profundas para mejorar la velocidad, aumentar la eficiencia y reducir el número de candidatos iniciales en comparación con los métodos estándar de simulación. En el estudio, el marco DeepVacPred identificó 26 posibles subunidades de la vacuna de la proteína de pico del SARS-CoV-2 de 132 candidatos. Luego, los epítopos de las células B, los linfocitos T citotóxicos (CTL), los linfocitos T auxiliares (HTL), que son responsables de inducir la respuesta inmune, se predijeron a través de bases de datos individuales en línea e identificaron 14 subunidades de vacunas candidatas clave. Un análisis adicional en una base de datos de cobertura de población verificó una amplia gama de cobertura para las 14 subunidades. La vacuna final de múltiples epítopos se diseñó con 11 subunidades y un adyuvante. La antigenicidad, la alergenicidad y otras propiedades fueron analizadas más a fondo por diferentes servidores para validar el diseño finalizado de la vacuna. Además, el estudio adicional sobre las tres áreas de mutación de ARN más frecuentes de la proteína de pico no tuvo ningún efecto en el diseño final de la vacuna, lo que indica la efectividad de la vacuna para las mutaciones conocidas de SARS-CoV-2.