Демонстрация возможностей квантовых вычислений в дизайне лекарств

Биотех-компания Gero, работающая в области старения и долголетия, продемонстрировала возможность применения квантовых вычислений для дизайна лекарств и генеративной химии. Исследование, опубликованное в Scientific Reports, описывает использование гибридной квантово-классической модели машинного обучения для генерации новых химических структур потенциальных лекарств — впервые в индустрии.

Исследовательская группа изучила, может ли гибридная генеративная ИИ-система — глубокая нейронная сеть в связке с коммерчески доступным квантовым оборудованием — предлагать уникальные, синтетически доступные химические структуры с лекарственно-подобными свойствами.

Необходимость новых вычислительных подходов

Пространство возможных лекарственно-подобных молекул колоссально: оценивается между 10²³ и 10⁶⁰, а синтезировано лишь около 10⁸ веществ. Для навигации в этом неисследованном химическом пространстве требуются инновационные инструменты.

«Дизайн лекарств работает на стыке классических и квантовых явлений... Именно поэтому квантовые вычисления значительно расширят наши возможности», — сказал Петр Федичев, CEO Gero.

Гибридная квантово-классическая модель

Исследователи разработали гибридную модель, объединяющую компактный дискретный вариационный автоэнкодер (DVAE) с квантовым отжигателем D-Wave.

После обучения система в генеративном режиме предложила 2 331 новую химическую структуру со свойствами, типичными для биологически активных соединений. Менее 1% сгенерированных молекул имели высокое сходство с молекулами из обучающего набора, что указывает на высокую новизну.

Реализация потенциала квантовых вычислений

Молекулы являются типичными квантовыми объектами, поэтому квантовые компьютеры естественным образом подходят для решения сложных задач квантовой химии. По мере развития квантового «железа» компоненты системы могут быть преобразованы в полностью квантовые аналоги, например, в Квантовый вариационный автоэнкодер (QVAE).

«В этом исследовании, используя квантовый компьютер, мы исследовали совершенно новое измерение в химическом пространстве», — сказал Алексей Федоров, соавтор работы.

Ключевые выводы исследования

1. Гибридное квантово-классическое машинное обучение обладает отличным потенциалом для открытия лекарств. Показана возможность использования гибридных архитектур, сочетающих квантовые компьютеры с классическими сетями.
2. Генерация новых структур на коммерчески доступной квантовой машине возможна. Модель сгенерировала тысячи новых структур, а использованный квантовый компьютер доступен как облачная инфраструктура.

Что это значит для будущего

• Развитие моделей: Следующий шаг — улучшение генеративных возможностей и эффективности моделей.
• Переход к полным квантовым моделям: Преобразование системы в QVAE для выборки из более богатых неклассических распределений.
• Прогнозирование свойств: Для реального дизайна модели должны предсказывать, например, константу связывания с конкретной мишенью.
• Коллаборации: Для прогресса необходимы совместные работы экспертов по квантовым вычислениям, фармкомпаний и медиков.

«Наша цель — замедлить или даже остановить старение человека... Осознавая потенциал квантовых вычислений и машинного обучения, мы включили их в наш арсенал», — добавил Федичев.