五药企借联邦学习用私有数据提升 AI 药物研发模型精度

以 AlphaFold 3 为代表的共折叠模型在真实药物研发场景精度未达实用标准，核心原因是公开蛋白-药物分子配对数据匮乏，而药企私有数据难以在保密前提下利用。艾伯维等五家药企借助 Apheris 的联邦学习架构，基于 OpenFold3 Preview 2 底座，联合超 2 万条私有蛋白-配体结构训练出 AISB-1-Fed 模型，其在关键指标上优于公开模型及单药企微调模型，蛋白-蛋白界面预测表现亮眼，且经测试未泄露数据，性能提升源于私有数据。当前共折叠模型多基于 PDB 训练，存在「死记硬背」、泛化性差问题，行业在探索数据解决方案：除 AISB 的联邦学习路线外，礼来推出 TuneLab 平台。还有 OpenBind、LIGAND-AI 等新造公开数据的项目。业内认为，联邦学习是权宜之计，新造数据更具长期价值，且联邦学习仅能部分赋能药物研发，共折叠模型下一阶段需从静态结构预测走向动力学建模，存量私有数据与新造数据缺一不可。