如果让 AI 学会判断钥匙能不能开锁，只给它看锁，却很少给它看“钥匙插进锁孔”的照片，效果自然有限。药物研发中的蛋白模型正遇到类似问题：公开数据库里有不少蛋白质结构，但蛋白质与候选药物结合的实验结构仍然稀缺。与此同时，药企内部保存着大量没有公开的实验数据。
据 Nature 报道，一个由多家药企组成的联盟把其中 20,167 个私有结构用于训练模型。测试结果显示，这个模型优于只用公共数据训练的版本，也优于各家公司只拿自家数据训练的模型。不过，这项研究目前仅见于博客，尚未经过同行评审，模型也没有公开。
把五家的“锁孔照片”放到一起
蛋白质可以理解为一串氨基酸折成的三维机器。它的形状会影响功能，也会影响药物能否与它结合。这里的“配体”就是能嵌入蛋白并与之结合的小分子，许多药物都属于配体。蛋白质—配体复合物结构，则像一张钥匙已经插进锁孔的照片，能直接展示两者如何贴合。
训练这类模型通常依赖公开的实验结构。研究人员通过 X 射线晶体学、冷冻电镜等方法测出结构，再将其存入公共数据库。但药企在研发中产生的许多结构涉及商业机密，并不会公开。Nature 报道援引一名研究人员的估算称，公共数据库 PDB 中与类药物分子相互作用的实验结构可能只有约 10,000 个；这个数字的统计口径并不明确，只能视为粗略估计。
为验证私有数据是否有用，AbbVie、Astex 等公司组建了 AI Structural Biology（AISB）Network。它们以 OpenFold3 为基础进行“微调”——也就是让已经学过公共数据的模型，再用一批更贴近药物研发的数据继续学习。OpenFold3 是 AlphaFold 3 的开源复现项目。五家公司共提供 20,167 个蛋白质与潜在药物或配体结合的结构，同时采用了让各家专有数据保持私密的训练方式。
多拿数据，究竟多了多少能力？
联盟另外留出 1,056 个蛋白质—配体结构用于测试，没有让模型在训练时见到它们。据 Nature 转述的 AISB 结果，新模型能对其中超过一半给出高准确度预测。公共版 OpenFold3 达到同等准确度的比例约为三分之一，另一款开源模型 Boltz-2 约为 40%。
这个比较至少传递出两个信号。第一，针对药物结合场景，额外的实验结构可能确实有价值。已有研究显示，当测试分子与训练数据中的分子差异很大时，AlphaFold 3 等“共折叠模型”——同时预测蛋白质及其相互作用对象结构的模型——准确率会明显下降。更多样的数据，可能帮助模型面对陌生分子。
第二，五家公司合并数据得到的模型，还超过了只用单家公司内部数据训练的工具。这说明数据共享的价值不只在于数量，也可能在于覆盖更多类型的蛋白质和配体。不过，报道没有给出各家公司分别贡献了多少数据，外界暂时无法判断这种优势具体来自哪里。
真正的护城河，可能不是模型代码
这项工作触及科学 AI 的一个现实：模型架构可以开源复现，高质量实验数据却未必能够复制。药企几十年研发留下的结构库，既昂贵又敏感。当公共模型普遍依赖同一批公开数据时，谁能合法、安全地调动更多私有实验数据，谁就可能获得持续优势。
但这也带来张力。数据越私有，外部研究者越难复现、审计和公平比较结果。AISB 的做法表明，多家公司可以在不直接公开专有结构的前提下联合训练；它却没有解决公共研究界缺少同类数据的问题。Nature 报道还提到，英国政府支持的 OpenBind 项目获得最高 800 万英镑（约 1080 万美元）资助，目标是产生可公开使用的新结构数据。这代表另一条路线：不是设法进入药企的数据保险库，而是重新建设一套开放数据资源。
局限与未知
- 研究尚未同行评审，模型未发布，现阶段的性能数字都来自联盟披露并由 Nature 转述，外部团队无法独立复核。
- 材料没有说明 20,167 个结构是否去重、五家公司的贡献比例，也没有提供足够信息排除数据泄漏等评测风险。
- “超过一半达到高准确度”展示了差距，却没有交代这里采用的具体指标、阈值和统计显著性。因此，它支持“私有数据可能改善模型”的判断，还不足以把“更强”视为已经完全证实的结论。