Varios modelos publicados de COVID-19 han sido utilizados en estudios epidemiológicos y planificación de la salud para modelar y predecir la propagación de la enfermedad y realinear adecuadamente las medidas de salud y prioridades dadas las limitaciones de recursos en el campo de la salud. Sin embargo, surge un problema significativo cuando estos modelos necesitan ayuda para identificar la distribución de las variantes constituyentes de las infecciones por COVID-19. La aparición de este desafío significa que, dada la limitación de recursos de salud, la planificación sanitaria sería ineficaz y costaría vidas. Este trabajo presenta un instrumento computacional universal de red neuronal (NN) para predecir la tasa de infección sintomática principal de COVID-19 y modelos de distribución de sus variantes asociadas. La NN se basa en una red de densidad de mezcla (MDN) con un modelo de mezcla gaussiana (GMM) como columna vertebral. Doce casos de uso se utilizaron para demostrar la validez y confiabilidad del MDN propuesto. Los casos de uso incluyeron datos de COVID-19 para Canadá y Arabia Saudita, dos rangos de fechas (300 y 500 días), dos modos de datos de entrada y tres funciones de activación, cada una con diferentes implementaciones del tamaño de lote y el valor de época. Esta variedad de escenarios proporcionó una oportunidad para investigar los impactos de la incertidumbre epistémica (EU) y la incertidumbre aleatoria (AU) en el ajuste del modelo de predicción. Las lecturas de precisión del modelo estaban en los altos noventa basadas en un margen de tolerancia de 0.0125. El resultado principal de este trabajo indica que este MDN universal fácil de usar ayuda a proporcionar predicciones confiables de las distribuciones de variantes de COVID-19 y el perfil sintetizado correspondiente de la tasa de infección principal.