Federated learning across 5 pharma firms improves OpenFold3 drug-interaction predictions
A Nature paper (Sept 14, 2026) reports that researchers used federated learning across proprietary data from five pharmaceutical companies—AbbVie, Astex Pharmaceuticals, Bristol Myers Squibb, Johnson & Johnson, and Takeda—to improve the OpenFold3 protein model. Adding over 20,000 proprietary protein–small-molecule structures, the model's protein–drug interaction predictions outperformed models trained only on public data or on single-company data. The work addresses the scarcity of experimentally determined drug-like interaction structures in public databases like PDB.
Coverage timeline
机器之心ScienceAI
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。数十年来，科学家通过X射线晶体学、冷冻电镜等实验手段积累了大量蛋白质三维结构，为 AI 学习蛋白质折叠规律提供了训练材料。 图示：1973 年 PDB 最早收录的一批蛋白质结构。 但到了 AlphaFold 3 以及 OpenFold3 这样的下一代模型，目标已经不只是预测单个蛋白质的形状。它们还需要预测蛋白质与其他分子之间如何形成复杂结构，但受限于 PDB 中通过实验确定的结构与类药物分子相互作用的案例较少（约 1 万个），在面对与训练样本高度不同的分子间相互作用时，其预测准确率会急剧下降。 而药企手中恰好掌握着他们需要的分子结构。这些数据来自于部分采用了 X 射线晶体学和冷冻电镜等技术的药物研发项目。其中一些结构可能来自正在开发的药物、失败的候选分子，或者仍然具有商业价值的靶点，因此没有被放入公开数据库。 这些「隐藏库存」的规模并不明确，但据估可能已经超过了 PDB 的总量。 数据预测提升 参与 AI Structural Biology（AISB）Network 首个项目的 5 家公司分别是 AbbVie、Astex Pharmaceuticals、Bristol Myers Squibb、Johnson & Johnso n和 Takeda。他们共同提供了 20
