研究人员展示了量子计算在药物设计中的力量

Gero是一家专注于衰老和长寿的人工智能驱动生物技术公司，它已经证明了将量子计算应用于药物设计和生成化学的可行性，这为医疗保健的未来带来了巨大的希望。这项发表在《科学报告》上的研究概述了如何使用混合量子经典机器学习模型来连接经典和量子计算设备，其目标是为潜在药物生成新颖的化学结构——这是行业首创。

这篇研究论文是在Gero最近取得的进展之后发布的，当《大众力学》上发表的一篇文章声称人类可以阻止(但不能完全逆转)衰老时，这引发了科学界长寿专家的激烈讨论。今年早些时候，Gero宣布与辉瑞达成一项靶点发现协议，Gero的机器学习技术平台将用于利用大规模人体数据发现纤维化疾病的潜在治疗靶点。

在这项新的研究中，研究小组探索了混合生成人工智能系统(一种与商用量子硬件结合使用的深度神经网络)是否可以提出合成可行且具有类似药物特性的独特化学结构。

需要新的计算方法

所有可能的类药物分子的巨大结构空间对药物发现提出了巨大的挑战。实际的类药物分子的数量估计在1023到1060之间——并且仅合成了大约108种物质。

这种尚未开发的分子景观可能成为未来改变目前无法治愈的年龄相关疾病和衰老本身的治疗方法的关键。然而，这个未知的化学多样性空间的规模和复杂性需要创新工具来选择新颖的、具有生物活性的、同时可合成的分子，等待转化为未来的药物。

Gero首席执行官PeterFedichev表示：“这些突破为药物发现过程的急剧加速铺平了道路。”

“药物设计是在经典现象和量子现象领域的交叉点上进行的，需要同时确定类药物分子的量子特性及其对经典物理学描述的生命系统的影响。这就是为什么量子计算将显着增强我们的能力为最具挑战性的疾病和病症(包括衰老本身)开发变革性疗法。”

拥有广泛专业知识的研究人员团队

该研究团队由不同领域的领先专家组成，包括物理学、现代机器学习、生成模型、量子物理学和药物设计。正如论文《用于生成化学和药物设计的混合量子经典机器学习》中所述，研究人员开发了一种混合模型，该模型结合了紧凑型离散变分自动编码器(DVAE，一种生成化学算法)，其形式可以在现有状态上运行最先进的量子设备，称为D-Wave量子退火器。

所提出的系统是一种混合量子/经典生成模式，经过训练可以从类药物和合成可用分子的分布中进行采样。训练完成后，系统可以在生成模式下运行，并建议2,331种具有生物活性化合物典型特性的新颖化学结构。令人鼓舞的是，生成的分子中只有不到1%与训练集中的任何分子具有高度相似性，这表明生成的化合物具有高度的新颖性。

实现量子计算在药物发现中的潜力

用于药物发现的量子算法和混合量子经典机器学习模型的发展可以显着推进药物化学领域的发展。由于可能的类药物分子的巨大结构空间对经典计算提出了重大挑战，因此量子计算可能提供一种更有效的方法。

分子是典型的量子物体，因此量子计算机自然适合解决复杂的量子化学问题。而且，根据科学研究的结果，该团队现在确信量子算法可以增强药物设计中的机器学习，并且有可能演变成最终的生成化学算法。

随着量子硬件的成熟，网络的特定组件可以转换为完全量子对应的组件，从而有可能将系统转变为可以从更丰富的非经典分布中采样的量子VAE(QVAE)。这最终可能会加快系统的训练速度，有可能使量子增强生成模型在药物设计应用中更加有效。

与Gero共同撰写该论文的RQC研究团队负责人AlexeyFedorov表示：“在这项研究中，我们使用量子计算机探索了化学空间的全新维度，并打开了一扇通往全新房间的大门。”

“随着量子计算机变得越来越强大，我们预计它们将在各种研究中变得越来越有帮助，特别是在应用于自然量子力学问题的机器学习领域。在未来五到十年内，我们将看到一种新的量子计算机。在量子计算机的帮助下产生药物和材料。”

用于生成化学和药物设计的混合量子经典神经网络的架构，以及由它生成的分子的示例。图片来源：彼得·费迪切夫

正如《科学报告》中记载的那样，该研究得出了两个重要结论：

1.混合量子经典机器学习在药物发现应用方面具有巨大潜力。研究人员证明，使用将量子计算机与深度经典网络相结合的混合架构用于药物发现应用是可行的。他们构建了一个紧凑但足够强大的模型，该模型足够小，可以安装在最先进的D-Wave量子退火器上，并在生物活性化合物的ChEMBL数据集的子集上训练该模型。

2.我们可以使用商用量子机器生成新颖的化学结构。混合量子经典模型生成了2,331种新颖的化学结构，这些化学结构具有药物化学和合成可及性，在ChEMBL数据集中生物活性分子的典型范围内。重要的是，用于执行计算的量子计算机可以作为云计算基础设施使用。

这对药物发现意味着什么

进一步开发量子机器学习模型。该科学报告证明，混合量子经典机器学习模型可以生成新型药物样分子。下一步是进一步开发和完善这些模型。这包括增强模型的生成能力以生成更多样和新颖的分子并优化模型的效率。

过渡到全量子模型。研究人员使用混合量子经典模型作为完全量子生成模型的垫脚石。随着量子硬件的成熟，研究中使用的受限玻尔兹曼机(RBM)可以转变为量子玻尔兹曼机(QBM)，整个系统可能转变为量子变分自动编码器(QVAE)，可以从潜在更丰富的非-经典发行版。

对于实际的药物设计，除了生成新化合物之外，模型还应该能够预测其他特性，例如与特定靶标的结合常数。这将允许生成旨在结合特定医学相关目标的化合物。

量子计算和药物发现是复杂的领域，需要许多不同领域的专业知识。量子计算专家、制药公司和医学研究人员之间的合作将有利于推动该领域的发展。

Fedichev看到了应用量子计算来解决寿命和健康问题的巨大前景：

“我们的目标是减缓甚至阻止人类衰老。这是一项不小的壮举，需要付出巨大的努力，并融合可能未知数量的技术，这些技术借鉴了复杂系统科学、现代人工智能和机器学习技术，生物医学数据集和革命性的生物工程，”他补充道。

“认识到量子计算和量子机器学习的潜力——一个快速发展且前景广阔的领域——我们已将它们纳入我们的武器库中，为抗衰老药物设计方面急需的进步奠定了基础。”