通过众包机密数据加速药物发现

研究人员利用现代加密和机器学习工具制定了一项新型计算协议，它能让多个制药公司和实验室的研究人员安全地分享研究及合作研发新药，但又不会披露属于任何参与个人的机密的基础数据。这些分享的实验数据集可改善预测模型（其设计目的是发现药物—标靶相互作用，或DTI）预测新的治疗候选药物的能力，它比目前最先进的方法所允许的速度和规模都要大得多，因而能大大加速药物的研发。

尽管制药公司和学术机构的实验室间的合作已被证明对新药研发颇有成果，但它们的范围有限。安全性多方计算（MPC）协议提出了一种现代化的加密解决方法，它能在促进合作的同时保护数据的隐私。然而，据作者披露，现有的MPC框架缺乏用复杂算法对大型数据集预测新型治疗药物所需的能力。

Brian Hie和同事制定了一个用于合作性DTI预测的基于安全MPC的计算协议，它能在各个合作团体间遮掩敏感数据，划分计算任务。总之，这种安全的组合数据集被用来训练一种用于DTI预测的神经网络模型。据结果披露，该协议能令这一模型在不到4天的训练后，在范围广泛的网络中为具有超过100万次互动的数据集带来准确的结果。