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。据该报告披露，这些分享的实验数据集可改善预测模型（其设计目的是为了发现药物-标靶相互作用，或DTI）的预测新的治疗候选药物的能力，它比目前最先进的方法所能允许的速度和规模都要大得多的，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，因为大家担心会有涉及知识产权和竞争性经济利益的问题，且多个单位间的数据共享因为需要保密而受到限制。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进行预测新型治疗药物所需的的能力。为了解决这一需要，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对具有超过一百万次互动的数据集带来准确的结果。这一方法为制药合作展示了一个有前途的解决方案，但作者提出，它也可用于其它的因受到隐私顾虑阻碍而缺乏合作的领域。
###
Journal
Science