新的加密系统可以让制药公司和学术实验室合作更快地开发新药，而无需向竞争对手泄露任何机密数据。
计算系统的核心是一个称为神经网络的人工智能程序。
人工智能研究哪些药物与人体内的各种蛋白质相互作用，以预测新的药物-蛋白质相互作用信息。
更多的训练数据会产生更智能的人工智能，这在过去一直是一个挑战，因为药物开发商通常由于知识产权问题而不会共享数据。
研究人员在 10 月 19 日的《科学》杂志上报告称，新系统允许人工智能众包数据，同时保持信息私密性，鼓励合作伙伴加快药物开发。
识别新的药物-蛋白质相互作用可以揭示多种疾病的潜在新疗法。
匹兹堡大学计算生物学家伊维特·巴哈尔（Ivet Bahar）没有参与这项工作，他说，或者它可以揭示药物是否与非预期的蛋白质靶点相互作用，从而表明该药物是否可能引起特定的副作用。
在新的人工智能训练系统中，研究小组汇集的数据分布在多个服务器上，每个服务器的所有者只能看到看似随机的数字。
“这就是密码魔法发生的地方，”夏洛茨维尔弗吉尼亚大学计算机科学家 David Wu 说，他没有参与这项工作。
虽然没有个体参与者能够看到构成训练集的数百万种药物-蛋白质相互作用，但服务器可以共同使用这些信息来教导神经网络预测以前未见过的药物-蛋白质组合的相互作用。
“这项工作很有远见，”伊利诺伊大学厄巴纳-香槟分校计算机科学家彭健说。
“我认为这将为生物医学合作的未来奠定基础。
”麻省理工学院计算生物学家 Bonnie Berger 及其同事 Brian Hie 和 Hyunghoon Cho 通过训练大约 10,000 个药物-蛋白质对的神经网络来评估他们的系统性能。
准确性。
其中一半来自已知药物-蛋白质相互作用的 STITCH 数据库；另一半包含非相互作用的药物-蛋白质对。
当出现已知是否相互作用的新药物-蛋白质对时，人工智能以 95% 的准确度选择哪些组相互作用。
为了测试该系统是否能够识别迄今为止未知的药物-蛋白质相互作用，Berger 的团队随后在近万个药物-蛋白质对上训练神经网络：已知相互作用的整个 STITCH 数据集，以及相同数量的非相互作用对。
经过充分训练的人工智能提出了一些以前从未报告过或报告过但未在 STITCH 数据库中的交互。
例如，人工智能识别出雌激素受体蛋白与一种用于治疗乳腺癌的药物（称为屈昔芬）之间的相互作用。
神经网络还发现了白血病药物伊马替尼和蛋白质 ErbB4 之间前所未有的相互作用，这种相互作用被认为与不同类型的癌症有关。
研究人员通过实验室实验证实了这种相互作用。
安全计算网络还可以鼓励药物开发以外领域的更多合作。
彭说，医院可以共享机密健康记录来训练预测患者结果或设计治疗策略的人工智能项目。
“任何时候你想研究大量人的行为、基因组学、医疗记录、法律记录、财务记录以及任何隐私敏感的内容，这些技术都非常有用，”吴说。