52,1 mot 35,6 prosent: hva legemiddel-KI-føderasjonen beviser – og hva den ikke gjør
Fem konkurrierende legemiddelselskaper – AbbVie, Astex Pharmaceuticals, Bristol Myers Squibb, Johnson & Johnson og Takeda – har sammen med en forskningsgruppe ved Columbia University finjustert en felles KI-modell på mer enn 20 000 proprietære molekylstrukturer uten at en eneste strukturfil forlot selskapenes egne systemer. Modellen, kalt AISB-1-Fed, skal ifølge konsortiet selv ha slått både den offentlige basismodellen og den sterkeste åpne referansemodellen på et holdt-tilbake-testsett av private strukturer. Hele kjøringen tok under ti uker, og resultatet ble kunngjort i uken rundt 23. september 2026 – samtidig med at samme nettverk lanserer et nytt initiativ om bindingsaffinitet.
Alle tallene kommer imidlertid fra konsortiet selv, gjengitt gjennom sekundær dekning, og resultatet er ikke fagfellevurdert. Det er altså et bemerkelsesverdig konseptbevis – med tydelige forbehold.
Resultatet som ble meldt
Den konkrete påstanden er dette: På et holdt-tilbake-benchmark på 1 056 private strukturer oppnådde AISB-1-Fed at 52,1 prosent av strukturene fikk prediksjoner av høy kvalitet på grenseflatene mellom protein og ligandmolekyl. Til sammenligning nådde den offentlige basismodellen, OpenFold3 Preview 2, 35,6 prosent, mens Boltz-2 – som ifølge dekningen tidligere ble regnet som den sterkeste offentlige referansemodellen på denne typen oppgaver – lå på 40,9 prosent (TechTimes; MSN).
Spranget fra 35,6 til 52,1 prosent er ikke marginalt: Det betyr at modellen ifølge konsortiet løser omtrent 16,5 prosentpoeng flere av testoppgavene. Men det er også verdt å merke seg at testsettet består av private strukturer – altså nettopp den typen data modellen ble trent på via de deltakende selskapene, skilt ut som holdt-tilbake. Det gjør sammenligningen med offentlige modeller delvis ujevn på forhånd: De konkurrerende modellene har aldri sett denne typen farmasøytiske komplekser, mens AISB-1-Fed er trent på data fra samme domener. Modellen er bedre tilpasset oppgavetypen – noe som er poenget med prosjektet, men også en del av forklaringen på tallene.
Hvordan føderert læring fungerte her
Mekanismen er føderert læring, en teknikk der dataene blir der de er, og modellen reiser i stedet. I praksis:
- Hvert selskap fikk en kopi av utgangsmodellen, OpenFold3 Preview 2, kjørende inne i sitt eget sikkerhetsmiljø.
- Kopien ble trent videre på selskapets egne, proprietære protein–ligand-strukturer, bak selskapets egne brannmurer.
- Kun modelloppdateringene – vektendringene som representerer det modellen lærte – ble sendt tilbake og kombinert til en felles modell. Ingen strukturfil forlot noe selskap underveis, ifølge MSN.
Hele kjøringen fant sted på tvers av fem bedriftsmiljøer på tre kontinenter, og ble fullført på under ti uker. Selve orkestreringen av føderasjonen ble drevet av selskapet Apheris (TechTimes). Apheris' adm. direktør Robin Röhm er sitert i dekningen.
Teknisk gjenstår det viktige spørsmål som dekningen ikke besvarer i detalj. Føderert læring beskytter rådata, men selve modelloppdateringene kan i prinsippet lekke informasjon om treningsdataene. Hvorvidt konsortiet brukte ytterligere beskyttelsesteknikker på oppdateringene, fremgår ikke av den offentlige beretningen. Dette er et åpent spørsmål som bør besvares før modellen avlegges som et fullverdig personvernbevis.
Hvem deltok, og når
Samarbeidet foregår under paraplyen AISB Network. AbbVie og Johnson & Johnson var stiftelsesmedlemmer; Astex Pharmaceuticals, Bristol Myers Squibb og Takeda sluttet seg til i oktober 2025. Ifølge TechTimes' gjengivelse innebærer dette at initiativet omfatter fem av de 20 største legemiddelselskapene globalt (TechTimes).
Bidragene var ikke jevnt fordelt. AbbVie alene bidro med mer enn 9 000 protein–ligand-strukturer – altså en vesentlig andel av det samlede datasettet. Samlet bidro selskapene med strukturdata fra mer enn 20 000 eksperimentelt bestemte protein–småmolekyl-komplekser hentet fra aktive legemiddelutviklingsprogrammer. Ifølge konsortiets egne tall tredobler dette omtrent mengden av legemiddelrelevant strukturdatamateriale tilgjengelig for modelltrening, sammenlignet med det som finnes i offentlige arkiver (TechTimes).
Forskningsgruppen til Mohammed AlQuraishi ved Columbia University deltok som vitenskapelig partner, med OpenFold3 Preview 2 som utgangsmodell – modellen AISB-1-Fed ifølge dekningen ble bygget på. Selskapene bidro med data, Apheris med infrastrukturen. Alle parter har en interesse i at resultatet framstår som en suksess, og det er verdt å ha i bakhodet når tallene vurderes.
Hvorfor dette er mer enn en teknisk demonstrasjon
Det formelt nye her er ikke føderert læring som teknikk. Det nye er at fem direkte konkurrenter, som hver sitter på strukturer produsert gjennom svært kostbare eksperimenter, fant det lønnsomt å gjøre dette sammen. Det er et regimespørsmål, ikke et teknisk: Farmasøytisk strukturdata har tradisjonelt vært den mest bevarde datakategorien i industrien, fordi den er resultatet av tiår med medisinsk kjemi og er dyr å produsere.
Verdiforslaget er asymmetrisk på en interessant måte: Hvert selskap gir opp eksklusiv tilgang til sin egen datafordel i bytte mot en delt modell som er bedre enn noe de kunne bygget alene. Tredoblingen av treningsdata er mekanismen bak 52,1-prosenttallet – ingen av deltakerne kunne nå dette alene, og ingen av dem gir bort rådataene. Det er dette som gjør resultatet til en spillbar mal for andre bransjer der de beste dataene er låst inne hos konkurrenter: banker med svindeldata, sykehus med pasientjournaler, forsikringsselskaper med skademeldinger.
At samarbeidsformen fortsatt har liv i seg, tyder på at deltakerne selv ser mer verdi i modellen: Samme uke som resultatet ble kunngjort, lanserte AISB Network et oppfølgingsinitiativ rettet mot neste store problem i tidlig legemiddelutvikling – å forutsi nøyaktig hvor stramt et molekyl griper tak i målet sitt, altså bindingsaffinitet (TechTimes).
Forbeholdene – og hva som må til før dette teller som mer enn selvevaluering
Det er viktig å være ærlig om hva som foreligger. For det første: Benchmarket er internt. Tallene 52,1, 35,6 og 40,9 prosent stammer fra konsortiet selv, er ikke fagfellevurdert, og testsettet består av konsortiets egne holdt-tilbake-strukturer. Ingen uavhengig part har gjentatt målingen. Før dette kan regnes som et vitenskapelig resultat snarere enn et vellykket selvrapporert prosjekt, ville man trenge en publisert metodikk med detaljer om testsettet, hvordan «høy kvalitet» på grenseflateprediksjonene defineres og måles, og hvordan de offentlige baselinemodellene ble konfigurert og kjørt – sammen med muligheten for uavhengig gjentakelse.
For det andre: Et bedre grenseflateprediksjonstall er ikke et legemiddel. Ingen godkjente – eller engang kandidat – legemidler er levert som følge av AISB-1-Fed, og det finnes ingen dokumentasjon på at bedre prediksjoner av denne typen forkorter reelle legemiddelutviklingstidslinjer. Avstanden mellom en høyere benchmarkprosent og et godkjent legemiddel måles i år og betydelige summer.
For det tredje: Personvernmekanismen er svakt dokumentert i offentlig dekning. Påstanden om at ingen strukturfil forlot noe selskap, er troverdig som beskrivelse av dataflyten i føderert læring, men de tekniske detaljene om hvordan modelloppdateringene ble beskyttet mot indirekte lekkasje, er et åpent spørsmål. For konkurrenter som vurderer å kopiere modellen, er dette akkurat det spørsmålet de må stille.
Til slutt: Verdifordelingen er uklar. AbbVie bidro med mer enn 9 000 strukturer – hva fikk AbbVie igjen for at konkurrentene fikk ta del i en modell trent på AbbVies data? Slike fordelings- og eierskapsspørsmål må ha blitt forhandlet fram, men detaljene er ikke offentlige.
Det mest forsiktige – og mest plausible – synet er dette: Selv om tallene skulle vise seg å holde under uavhengig gransking, er hovedresultatet ikke modellen, men beviset på at samarbeidsformen fungerer i praksis. Fem konkurrenter klarte å koordinere datainnsamling, modelltrening og sikkerhetsarkitektur på under ti uker uten at noen ga bort sitt kronjuvelmateriale. Hvis det mønsteret sprer seg til finans, helse og andre strengt bevoktede datasektorer, vil det være langt mer betydningsfullt enn ett benchmark-tall fra ett konsortium.