The Innovation Drug Discovery | 基于知识蒸馏的联邦式分子设计框架FedMol

在药物研发中，高价值化学结构数据因商业机密和隐私法规被隔离在“数据孤岛”中。针对这一问题，本研究提出了FedMol，一种基于知识蒸馏的联邦式分子设计框架。该框架融合低秩适配（LoRA）与知识蒸馏（KD），允许多方在不暴露私有分子结构的前提下，共同训练分子生成模型。研究背景是AI分子设计需要海量数据，但生物医药企业的核心化合物库难以共享。研究目的是开发一种既能保护隐私又能保证生成分子质量与效率的联邦学习框架。结论表明，FedMol在GuacaMol分布学习基准上表现优异：在低异质性下，生成分子的有效性、唯一性及分布匹配度接近集中式最先进模型；在高异质性下，通过知识蒸馏聚合“输出共识”，展现出比传统FedAvg更强的鲁棒性。此外，成员推理攻击实验证实，知识蒸馏的“软标签平滑”效应有效增强了隐私保护。该框架为多机构协作的药物发现提供了可行技术路径。