联邦学习在药物发现中触及能力边界
Federated learning tests its limits in drug discovery
联邦学习在药物发现中触及能力边界——面对体内药代动力学、临床有效性等全行业观测数过少的领域无法弥补。其新架构可在不汇总原始数据的前提下跨企业专有数据集训练共享模型，应对数据分散问题。Apheris、Eli Lilly、Nvidia、Owkin 与 Rhino Federated Computing 正在推进相关应用，下一前沿是数据更稀缺、更碎片化的复杂新模态。
发生了什么
2026年8月24日发布的行业分析文章指出，联邦学习在药物发现领域的应用正获得更多关注，新的模型架构让企业不必把各家的专有数据集完全统一格式，就能跨这些分散数据训练一个共享模型。联邦学习的机制是各参与方在不交出、不混合底层原始记录的前提下共同训练模型。但文章也划出了其能力边界：当全行业相关实验的观察总量本身太少时它无能为力，典型如体内药代动力学和临床疗效数据。
为什么重要
这篇文章回答了领域里一个悬而未决的问题：联邦学习到底能解决哪一种数据稀缺。它能解决数据分散在多家药企、各方不愿暴露专有数据这一种稀缺，让药企在不开放自有数据的情况下互相学习；但解决不了全行业实验次数本身不够的另一种稀缺。对研发和BD读者来说，这意味着评估AI数据合作时要先分清瓶颈是数据被切割还是数据压根没产生。材料还指出下一个前沿是更新、更复杂的模态，那里数据更稀缺、更碎片化。
还缺什么
文章涉及Apheris Ai、礼来、英伟达、Owkin和Rhino Federated Computing，但各家在其中的具体角色、合作条款均未披露。新模型架构的技术细节、在哪些靶点或模态上验证、预测性能的实际提升幅度也未披露，待确认。后续值得关注的是联邦学习能否在体内药代和临床疗效这类观察量极少的领域拿出可行方案，这是文章点明的最大短板。
来源：文献与产业新闻 · biocentury.com