《TF锐评》是TF技术前线推出的双周栏目。每期由一支SIG的技术专家团队，从海量学术论文、技术博文、实战案例等各类前沿内容中优中选优，提炼核心观点、标注落地价值，帮行业从业者省去筛选成本、直击技术重点，高效吸收前沿成果与实践经验。

本期由 CCF TF AI+生物医药 SIG 推荐，推荐人：陈廷梁、史国良。

25年《Nature》的一篇论文。安全多方计算和同态加密经常面临计算成本过高的问题，尤其难以处理数十万人的全基因组数据。SF-GWAS将两类密码学技术进行组合：适合大规模矩阵运算的部分由同态加密处理，除法、符号判断等非线性操作则交给安全多方计算。研究在包括41万名参与者的UK Biobank数据上完成验证，并支持主成分分析和线性混合模型等常用GWAS流程。它证明具有密码学隐私保证的跨机构基因组分析可以达到现实规模，是隐私计算进入精准医学和大型队列研究的重要进展。

https://www.nature.com/articles/s41588-025-02109-1

AI4S时代，真正稀缺的可能不是更大的模型，而是能够被合规使用、跨机构计算并完整追溯的科学数据。面对基因组、医学影像、蛋白质结构等高价值数据，传统“集中建库、统一下载”的共享方式越来越难以跨越隐私法规、数据主权和机构信任壁垒。本文提出“可信科学数据空间”这一系统解法：数据不必离开医院、高校或科研院所，研究者通过数字合约获得受控计算权限，再利用联邦学习、可信执行环境、差分隐私、同态加密和安全多方计算完成协作，整个过程均可审计、可核验、可复现。文章进一步把抽象的 FAIR 原则落地为“元数据可发现、合约可访问、联邦可互操作、存证可复用”，并给出数据主权、治理契约、联邦计算和存证审计四层参考架构，同时梳理我国63个国家级可信数据空间试点。对于关注科学大模型、医疗数据协作、隐私计算和科研基础设施的团队，这篇文章最值得参考的地方在于：它讨论的不只是“如何保护数据”，而是如何在数据不出域、用途受约束、结果可审计的前提下，真正让高敏感科学数据参与AI计算。

https://mp.weixin.qq.com/s/a2zDGI2KLwc_nARtuMJMtA

生成式人工智能正在从医学文本生成工具，逐渐发展为覆盖临床决策支持、医学影像分析和科研辅助的综合技术平台。文章系统梳理生成式模型、智能体、混合专家模型和推理模型等技术进展，并讨论数据选择、模型训练、效果验证、临床安全和责任治理等关键问题。它的价值在于将算法发展与真实医疗流程联系起来，为理解生成式AI如何进入生物医学研究和临床应用提供了较为完整的技术与实践框架。

https://www.nature.com/articles/s41591-025-03983-2

Artificial intelligence in drug discovery — what it is, where we stand and the path forward

这是今年《Nature》的一篇文章。人工智能在药物发现领域受到广泛关注，但算法性能提升尚未充分转化为更安全、更有效的新药。文章系统审视AI在靶点发现、分子设计、候选筛选和研发决策等环节的实际进展，分析数据条件性强、问题定义不足、评测方式脱离真实需求以及临床转化周期较长等关键障碍，并提出从“技术推动”转向“科学问题与研发需求牵引”的发展思路。它的价值在于以审慎视角辨析AI制药的真实成效与宣传热度，为模型研发、效果评价和产业落地提供清晰参考。

https://www.nature.com/articles/s41573-026-01496-2

中医药数据具有来源多样、标准不统一、权属关系复杂和隐私敏感等特点，跨机构利用面临较高门槛。文章围绕这些现实问题提出中医药可信数据空间建设框架，系统讨论统一目录、身份登记、数据连接器、数字合约、使用控制、隐私计算和可验证溯源等关键机制，并分析医疗机构、高校、科研院所与医药企业之间的数据协作模式。它的价值在于将可信数据空间的通用架构落实到中医药诊疗、临床科研、药物研发和数据标准化等具体场景，为理解行业数据如何实现安全流通与协同利用提供了较为完整的分析框架。

https://www.sciengine.com/CSB/doi/10.1360/CSB-2025-5317

每双周发布，下一期由 CCF TF 多智能体算法与认知推理 SIG 推荐。

本文推荐的外部内容著作权归原作者原平台所有。TF仅提供推荐语和原文链接，如有版权疑虑，请联系 tf@ccf.org.cn。

⦿ 如果觉得有用，请点击“推荐”或分享给身边的工程师同事。