要点
- Nature（Ewen Callaway，2026-09-14）报道：在超过 2 万条药企蛋白质结构上训练的 AI 系统，表现优于仅用公开数据的 AlphaFold 类模型；15 日澄清 AbbVie 位于伊利诺伊州 North Chicago。
- Apheris 公开技术说明称，AbbVie、Astex、Bristol Myers Squibb、Johnson & Johnson、Takeda 五家以联邦学习微调 OpenFold3 Preview 2，共 20,167 条私有蛋白–配体结构未出本地；在 1,056 条持有留出集上，高质量界面预测由 35.6% 升至 52.1%，正确配体姿态由 28.9% 升至 46.8%，并超过公开对照（含 Boltz-2）。
- 权重与底层结构仍归联盟私有，结果尚未同行评议，测试集来自同一批伙伴而非完全外部基准——可核对的是「私有工业数据显著抬升共折叠工业指标」，不是「公开科学已可复现的新 AlphaFold」。
Nature 记者 Ewen Callaway 在 2026 年 9 月 14 日的新闻稿里，把药企保密数据写成了蛋白质 AI 的下一燃料：在超过 2 万条药企蛋白质结构上训练的系统，胜过只吃公开库的 AlphaFold 类模型。导语之外的正文对多数读者仍在付费墙后；但同一天前后，基础设施方 Apheris 公开了与哥伦比亚大学 AlQuraishi 实验室、五家药企合作的联邦微调结果——这正是 Nature 标题所指向的那类实验。
可证伪的主张不应停在「秘密数据很神奇」。更窄、也更硬的说法是：在药物发现真正依赖的蛋白–配体共折叠任务上，公开 PDB 的药物相关结构太稀；把私有晶体结构留在防火墙内、只交换模型参数，已经足以把工业持有基准上的界面与配体姿态准确率抬到公开模型之上——同时模型权重并不回流公共科学。
[1][2]Callaway 转述的科学直觉并不新：对药物发现而言，AlphaFold 类折叠模型缺的是「蛋白如何与药分子相互作用」的样本，而不是再堆一层通用结构预测的公关叙事。Apheris 的公开数字把直觉量化了：PDB 中含已上市或在研药物的结构大约只有一万量级，且 AlphaFold 3 训练截止后新增更少；五家公司合计贡献 20,167 条实验测定的私有结构，在不共享坐标的前提下完成同步联邦平均，训练不到十周。
评估集是 1,056 条伙伴持有的留出结构。联邦模型 AISB-1-Fed 将高质量界面（PL-lDDT ≥ 0.8）占比从公开 OpenFold3 Preview 2 的 35.6% 拉到 52.1%，正确配体姿态（bisyRMSD ≤ 2 Å）从 28.9% 到 46.8%；公开对照 Boltz-2 分别约 40.9% 与 36.5%。同配方仅用公开 PDB 微调的对照，用于隔离「私有数据」本身的贡献。Nature 15 日的澄清只改了一处地理信息（AbbVie 在 North Chicago），并未撤回「私有数据抬升性能」的主线。
[1][2]证据质量要分层看。第一层，Nature 作为二级新闻确认了「药企秘密数据 + 超公开模型」的新闻事实与 AbbVie 等参与方存在；引用栏指向 Škrinjar 等人关于共折叠泛化的 Nature Structural & Molecular Biology 论文，说明编辑部把故事放在「共折叠泛化不足」的学术语境里。第二层，可核对的百分点来自联盟基础设施方的技术博文，不是已发表的同行评议主文；联盟自己也写明：计划投稿，但当前公开的是聚合指标。
第三层限制同样写在公开材料里：测试集来自同一五家公司，不是完全外部盲测；训练与测试配体之间的跨伙伴相似性在不移动结构时无法公开度量；公开的是结构预测指标，不是结合亲和或成药分类；权重与数据都不开放。钢人论证是：若目标是加速各自管线里的虚拟筛选与先导优化，封闭联邦已经交付可内部审计的增益，不必先解决开源政治。
[1][2]对「超级充电」最强的钢人，是承认公开基准上的共折叠在 PoseBusters 一类集合上已经很好看，但药物化学真正需要的是对「训练分布外的类药配体 + 工业靶点」的精度；私有密集构效系列正好填那块空洞。联邦学习把法律障碍绕开，而不是假装药企会把晶体坐标上传到公共 PDB。
钢人的硬伤也清晰：没有外部独立基准与同行评议，外界无法排除「持有留出集仍偏工业内分布」的乐观偏差；模型攻击测试与隐私保证由运营方陈述，第三方复现成本极高；公共科学若只能读到标题级增益，会强化「药企 AI 与学术 AI 双轨」——后者继续缺数据，前者继续积优势。Nature 付费墙本身，也让非订阅读者更难核对 Callaway 文中的引语与限定条件。
[1][2]对研发管理层，近期变量是联邦模型是否进入真实设计循环（虚拟筛选命中、先导优化轮次），以及下一阶段是否如网络所言纳入亲和与活性数据。对政策与开放科学读者，信号是：药物 AI 的边际瓶颈已从「有没有 Transformer」转向「谁能合法动员工业结构资产」。对投资者，这降低了「再做一个公开共折叠」的叙事溢价，抬高了数据治理与联邦基础设施的议价权。
对中国与其他药企观察者，可复制的不是标题里的「秘密」，而是合同、威胁模型与同步联邦配方——前提是有足够的私有结构库存与算力。若只有公开 PDB，复制同一训练菜谱也得不到 AISB-1-Fed 的持有集数字。
[1][2]未来六个月，要看两份可追踪文件：联盟是否把结果送进同行评议并公布外部或跨化学空间的基准；以及是否有任何权重或蒸馏版进入更广的工业/学术许可。若评议与外部测试站住，Nature 标题里的「supercharge」就从新闻修辞收成可引用的方法结论；若增益只在伙伴持有集上闪一次，则故事更准确的读法是——私有数据联邦证明了数据壁垒的经济价值，而不是蛋白质 AI 的公开科学前沿已被改写。
【No.2】
[1][2]