AISB Bind 发布：四家药企用联邦学习共同训练结合预测 AI 模型，数据谁都不用交出去
2026年9月24日0 次阅读
AISB Bind 发布：四家药企要用"联邦学习"共同训练一个结合预测 AI 模型，数据谁都不用交出去
AISB Bind 发布：四家药企要用"联邦学习"共同训练一个结合预测 AI 模型，数据谁都不用交出去
栏目：生物模型动态 | 口径：基于多家媒体转述整理
导语（一句话先说结论）
2026 年 9 月 22 日，AI 结构生物学网络（AISB Network）发布了新项目 AISB Bind：AbbVie、阿斯利康（AstraZeneca）、百时美施贵宝（BMS）、强生（Johnson & Johnson）四家药企将用联邦学习的方式，共同训练一个预测"小分子如何与蛋白靶点结合"的 AI 模型。每家公司的私有数据都留在自己环境里，谁也看不到谁的数据，但训练出来的模型每家都能拿到。联邦训练已于 9 月启动，最终模型预计 2027 年初交付。
3分钟看懂版
- 是什么：AISB Bind 是一个跨药企的联邦 AI 训练项目，目标是训练出能可靠预测"分子-蛋白结合强度"的模型——这是早期药物发现里最难的問題之一。
- 为什么重要：一个分子与靶点结合得紧不紧，很大程度上决定了它能不能成药。目前药企只能靠一轮轮"合成→实验测试"去验证，又慢又贵。如果模型能在计算机里提前预判，就能少走弯路、更快锁定候选分子。
- 关键机制：联邦学习——各家数据不出本地，只交换模型参数，由德国公司 Apheris 负责运营联邦基础设施，AWS 提供算力。
- 看点了：这不是四家药企第一次合作。该网络的首期项目刚拿出了硬核结果（见下文），AISB Bind 是把验证过的方法从"结构预测"推进到"结合预测"。
背景：上一期项目刚刚证明了这条路走得通
AISB Network 的首期项目做的是蛋白-配体共折叠预测：五家药企（AbbVie、强生、Astex、BMS、武田）用各自研发项目中的私有结构数据，联合微调了哥伦比亚大学 AlQuraishi 实验室开发的 OpenFold3 模型。
- 共使用了 20,167 个从未公开的私有结构，训练过程中原始数据从未离开任何一家公司的环境；
- 在 1,056 个保留测试结构上，高质量"蛋白-药物接触区域"预测的占比从 35.6% 提升到 52.1%（官方口径约 36%→52%）；
- 对比之下，只用公开数据库训练的同族模型只有 35.6%；而且任何一家单独用自己数据微调的模型，都没能超过五家联合训练的模型；
- 有参与者对 Nature 表示，公开数据库里与类药物分子结合的结构可能只有约 1 万个——高质量私有数据正是稀缺资源。
需要说明：这些数字来自 Apheris 发布的技术报告，尚未经过同行评审。
正是这个结果，催生了 AISB Bind——把"联邦训练有效"从共折叠任务推广到结合预测。
AISB Bind 这次做什么不一样的事
首期项目回答"药物和蛋白长什么样（结构）"，AISB Bind 要回答"结合得有多紧（亲和力）"。四家创始药企各自贡献三类数据：
- 实验测定的结构；
- 定量的亲和力/效力测量数据；
- 高通量筛选数据——这类数据的特殊价值在于包含大量"实验确认不结合"的负样本，这在工业规模上很少能拿到，却对模型区分"真结合/不结合"至关重要。
三类异构数据不需要人工对齐，由机器学习方法在保留各自实验背景的前提下合并训练。最终模型要经得起"工业条件"考验：面对新靶点、新化学类型、新研发项目，给出的预测要可靠且校准良好。每家药企拿到模型后，还可以在自己的环境里继续定制调优。
怎么看/行动建议
- 对 AI for Science 从业者：这是"数据壁垒 + 联邦学习"组合迄今最扎实的工业级案例之一，值得跟踪 Apheris 后续发布的技术细节（首期技术报告已有先例）。
- 对药物研发团队：关注 2027 年初模型交付后的实际表现——尤其是校准（calibration）好坏，这决定模型能否真正用于虚拟筛选排序。
- 对观察者：注意区分两件事——首期共折叠成果（09-17 前后已广泛报道）与本次 AISB Bind 新计划（09-22 发布），后者尚无结果，只有计划。
- 风险与局限：所有已公布的性能数字未经同行评审；"联邦训练的模型能否在真实工业环境中站住脚"要等 AISB Bind 自己的答卷。
参考来源（基于多家媒体转述整理）
- 官方新闻稿（Business Wire 分发，全文已核实）：AISB Network Launches AISB Bind
- Bio-IT World 独立报道：AISB Bind announced by the AI Structural Biology Network
- TechTimes（09-23）：Five Pharma Rivals Ran Federated Drug-Discovery AI on 20,000 Secret Structures
- Pebblous 行业分析：Federated Learning in Pharma: Five Drugmakers Train One AI Without Sharing Data
- 背景：Apheris 官方技术报告（OpenFold3 联邦微调 20,167 私有结构）