В статье представлен метод FedEpitope — новая федеративная вычислительная архитектура, предназначенная для предсказания линейных B-клеточных эпитопов, которые являются ключевыми мишенями для разработки вакцин и терапевтических антител. Авторы адаптировали крупную языковую модель белков ESM-2, используя технику Low-Rank Adaptation (LoRA), что позволило обучать модель на децентрализованных данных без их централизации, сохраняя конфиденциальность информации на стороне клиентов. В ходе симуляционного бэнчмаркинга с использованием алгоритмов FedAvg и FedProx на пяти биологически разнородных клиентах, глобальная модель продемонстрировала превосходство над любыми одиночными клиентскими моделями по метрикам среднего точного значения (mean AP), F1-меры и коэффициента Макдаффи (MCC). Исследование также детально проанализировало вопросы персонализации после федерации, применение дифференциальной приватности на уровне записей, чувствительность к гетерогенности данных и обобщающую способность на независимых наборах BCPreds и NetBCE. Ключевым техническим достижением является ограничение объема передаваемых обучаемых параметров модели до примерно 1.11 МБ, что существенно снижает нагрузку на коммуникационные каналы. Результаты доказывают жизнеспособность параметрически эффективного федеративного обучения для задач биоинформатики, где данные распределены между учреждениями и не могут быть объединены из-за ограничений конфиденциальности. Работа закладывает основу для создания более точных и приватных инструментов скрининга вакцинных кандидатов и разработки диагностических тестов.