5 家药企用联邦学习微调 OpenFold3，蛋白质-药物预测精度提升
5 家药企用联邦学习（数据不出企业即可联合训练）微调 OpenFold3，加入 2 万份专有结构后，蛋白质-药物结合预测精度明显超过公开模型。
AI 蛋白质结构模型这些年主要在攻一件事：让机器看懂蛋白质的三维结构。但公共数据库的数据量偏少，真正稀缺的那部分——药企未公开的药物结构——一直锁在各家实验室里。一项新合作想在不共享原始数据的前提下，把这些结构用起来。
正文摘录
.jpg) 编辑丨& 在发展进程中，AI 蛋白质结构模型最令人印象深刻的突破，几乎都是朝一个方向努力——让机器理解蛋白质的三维结构。 但对于理解蛋白质结构来说，公用数据库的数据量还是有些少了，并且真正有价值的数据其实不在这些公共数据之中，反而在制药公司的未公开的药物结构里。 2026 年 9 月 14 日，《 Nature 》上发表了一项由多家制药公司参与的合作。研究人员利用 5 家药企超过 20,000 份专有蛋白质—小分子结构数据，通过联邦训练的方式共同改进 OpenFold3。加入这些此前无法公开的数据后，模型在蛋白质—药物相互作用预测上的表现明显超过只使用公开数据训练的模型，也超过只利用单个药企数据训练的模型。  相关链接： https://www.apheris.com/networks/aisb 蛋白质 AI 的瓶颈 2024 年诺贝尔化学奖让 AlphaFold 再次成为整个生命科学领域的焦点。 该模型之所以能够取得突破，一个重要基础就是 Protein Data Bank（PDB）这样的开放数据库。