📊 statistics

Quantum Machine Learning in Drug Discovery: Applications in Academia and Pharmaceutical Industries

تتناول هذه المراجعة الأسس النظرية وتطبيقات الشبكات العصبية الكمومية على الحواسيب الكمومية القائمة على البوابات في مجال اكتشاف الأدوية، مع تسليط الضوء على إمكاناتها في تطوير التنبؤ بالخصائص الجزيئية وتوليدها، مع معالجة التحديات الراهنة في كل من الأوساط الأكاديمية والصناعية.

المؤلفون الأصليون: Anthony M. Smaldone, Yu Shee, Gregory W. Kyro, Chuzhi Xu, Nam P. Vu, Rishab Dutta, Marwa H. Farag, Alexey Galda, Sandeep Kumar, Elica Kyoseva, Victor S. Batista

نُشر 2026-05-12

📖 6 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Anthony M. Smaldone, Yu Shee, Gregory W. Kyro, Chuzhi Xu, Nam P. Vu, Rishab Dutta, Marwa H. Farag, Alexey Galda, Sandeep Kumar, Elica Kyoseva, Victor S. Batista

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول العثด على مفتاح محدد ومنقذ للحياة في مكتبة تحتوي على كل كتاب كُتب على الإطلاق، لكن الكتب مكتوبة بلغة تتغير في كل مرة تنظر إليها. هذا هو تحدي اكتشاف الأدوية: العثور على الجزيء الصحيح لعلاج مرض ما من بين مليارات الاحتمالات.

تستعرض هذه الورقة أداة جديدة يتم تطويرها لحل هذا اللغز: تعلم الآلة الكمي (QML). فكر في هذا كأنه أمين مكتبة خارق لا يكتفي بقراءة الكتب فحسب؛ بل يمكنه فهم المكتبة بأكملها في وقت واحد، بفضل القواعد الغريبة للفيزياء الكمية.

إليك تفصيل للأفكار الرئيسية للورقة، باستخدام تشبيهات بسيطة.

1. اللاعبان: الحواسيب الكلاسيكية مقابل الحواسيب الكمية

الحواسيب الكلاسيكية (أمين المكتبة القديم): تعمل مثل مفتاح الضوء العادي. يكون "البت" (Bit) إما مغلقاً (0) أو مفتوحاً (1). للعثور على كتاب معين، يتعين على أمين المكتبة التحقق منها واحداً تلو الآخر، أو في مجموعات صغيرة.
الحواسيب الكمية (أمين المكتبة الكمي): تستخدم الكيوبتات (Qubits). تخيل عملة معدنية تدور. بينما تدور العملة، فهي تكون رأسًا وذيلًا في نفس الوقت (وهذا ما يسمى بـ التراكب).
- السحر: إذا كان لديك 3 عملات تدور، فيمكنها تمثيل 8 تركيبات مختلفة في آن واحد. وإذا كان لديك 300 عملة، فيمكنها تمثيل تركيبات أكثر من عدد الذرات في الكون. هذا يسمح لأمين المكتبة الكمي بالنظر إلى ملايين "الكتب" (الجزيئات) دفعة واحدة، بدلاً من فحصها واحداً تلو الآخر.
- العقبة: العملات الدوارة هشة. إذا لمستها، ستتوقف عن الدوران وتسقط مسطحة (هذا هو الضجيج). الحواسيب الكمية الحالية تشبه مكتبة بها تيار هوائي شديد؛ يمكنها القيام بأشياء مذهلة، لكنها ترتكب الأخطاء بسهولة.

2. الأداة الجديدة: الشبكات العصبية الكمية (QNNs)

تركز الورقة على الشبكات العصبية الكمية، والتي تشبه "دماغ" أمين المكتبة الكمي الجديد هذا. وهي مصممة لتعلم الأنماط في البيانات، تماماً كما يتعلم البشر التعرف على قطة في صورة.

تشرح الورقة ثلاث طرق لتغذية هذا الدماغ الكمي بالبيانات:

ترميز الأساس (Basis Encoding): مثل وضع كتاب على رف يحمل الملصق "0" أو "1". إنه بسيط ولكنه محدود.
ترميز الزاوية (Angle Encoding): مثل تدوير قرص. أنت تقوم بتدوير مقبض إلى زاوية معينة لتمثيل رقم ما. هذا جيد للأرقام الواقعية (مثل درجة الحرارة أو الوزن).
ترميز السعة (Amplitude Encoding): هذه هي طريقة "القوة الخارقة". بدلاً من مجرد تدوير مقبض، أنت تقوم بترميز البيانات في ارتفاع موجة. هذا يسمح لك بحشر كمية هائلة من المعلومات في عدد قليل جداً من الكيوبتات، مما يوفر تسارعاً محتملاً لا تستطيع الحواسيب الكلاسيكية مضاهاته.

3. كيف يساعد ذلك في اكتشاف الأدوية

تسلط الورقة الضوء على طريقتين رئيسيتين لاستخدام هذه التكنولوجيا في الكيمياء والصيدلة:

أ. التنبؤ بالمستقبل (التعلم الآلي الكمي التنبئي)

تخيل أن لديك بنية كيميائية جديدة وتريد أن تعرف: "هل سيقتل هذا فيروساً؟ هل سيسمم الكبد؟"

الشبكات العصبية الكمية الرسومية (QGNNs): تبدو الجزيئات مثل خرائط بها نقاط (ذرات) وخطوط (روابط). تعامل شبكات QGNN هذه الخرائط كأنها ألغاز كمية. تشير الورقة إلى أنه في بعض الاختبارات، تنبأت هذه النماذج الكمية باستقرار الجزيئات بشكل أفضل من النماذج الكلاسيكية، حتى عندما كان لديها نفس عدد "خلايا الدماغ" (المعلمات).
الشبكات العصبية الكمية الالتفافية (QCNNs): هذه تشبه عدسة الكاميرا التي تقرب النظر على أجزاء محددة من الجزيء للعثور على الأنماط. ذكرت الورقة نسخة هجينة (HQCNN) يمكنها التنبؤ بسمية الدواء. وجدت هذه النسخة أنه من خلال استخدام دائرة كمية للقيام بالعمل الشاق، استطاعوا تدريب النموذج بشكل أسرع وبموارد أقل من الحاسوب الكلاسيكي البحت.

ب. ابتكار المستقبل (التعلم الآلي الكمي التوليدي)

بدلاً من مجرد التخمين، ماذا لو استطاع الحاسوب ابتكار جزيئات جديدة من الصفر؟

المشفِّرات التلقائية الكمية (QAEs): فكر في هذا كأداة ضغط. تأخذ جزيئاً معقداً، وتضغطه ليصبح ملخصاً "كامناً" صغيراً (مثل ملف مضغوط)، ثم تحاول إعادة بنائه. إذا استطاعت إعادة بنائه بشكل مثالي، فهي تفهم جوهر الجزيء. يمكن أن يساعد هذا في توليد مرشحات دوائية جديدة.
الشبكات التنافسية التوليدية الكمية (Quantum GANs): هذه عبارة عن لعبة بين وكيلين من الذكاء الاصطناعي الكمي. أحدهما يحاول إنشاء جزيء مزيف، والآخر يحاول كشف ما إذا كان حقيقياً أم لا. يلعبان هذه اللعبة مراراً وتكراراً حتى يصبح المبتكر بارعاً جداً في صنع جزيئات مزيفة تبدو لا يمكن تمييزها عن الجزيئات الحقيقية. تشير الورقة إلى أنه بينما تظهر هذه النماذج وعداً في إنشاء جزيئات ذات خصائص تشبه الأدوية، إلا أنها تواجه أحياناً صعوبة في صنع جزيئات حقيقية وصالحة للاستخدام في العالم الواقعي.

4. النهج "الهجين": أفضل ما في العالمين

بما أن الحواسيب الكمية الحالية لا تزال "صاخبة" وصغيرة، تؤكد الورقة على الأنظمة الهجينة (الكمية-الكلاسيكية).

التشبيه: تخيل أن الحاسوب الكلاسيكي هو شاحنة قوية، والحاسوب الكمي هو سيارة سباق صغيرة وسريعة للغاية. أنت لا تريد قيادة سيارة السباق على طريق ترابي وعر (بسبب كثرة الضجيج). بدلاً من ذلك، تستخدم الشاحنة للوصول إلى الطريق السريع، ثم تنتقل إلى سيارة السباق للجزء السريع من الرحلة، ثم تعود إلى الشاحنة.
الواقع: في هذه الأنظمة، يتولى الحاسوب الكلاسيكي المهام الثقيلة وإعداد البيانات، بينما يقوم الحاسوب الكمي بالرياضيات المعقدة والمحددة التي تمنحه الأفضلية.

5. الدعم من العتاد: NVIDIA و CUDA-Q

تناقش الورقة أداة عملية رئيسية تسمى CUDA-Q.

المشكلة: محاكاة حاسوب كمي على جهاز كمبيوتر محمول عادي أمر بطيء. إذا أردت محاكاة جزيء دواء معقد، فقد يتوقف جهازك عن العمل.
الحل: أنشأت شركة NVIDIA نظاماً يستخدم معالجات الرسوميات (GPUs) القوية لمحاكاة الحواسيب الكمية.
النتيجة: تظهر الورقة أن استخدام معالجات الرسوميات هذه يمكن للباحثين محاكاة الدوائر الكمية بسرعة أكبر بمئات المرات من استخدام وحدة المعالجة المركزية (CPU) القياسية. يمكنهم أيضاً ربط عدة معالجات رسومية معاً لمحاكاة أنظمة كان من المستحيل نمذجتها لولا ذلك. هذا يسمح للعلماء باختبار أفكارهم في اكتشاف الأدوية عبر التقنيات الكمية اليوم دون الحاجة إلى حاسوب كمي مثالي.

6. العقبات (الجانب "لكن...")

الورقة صريحة جداً بشأن التحديات. إنها ليست عصا سحرية بعد.

"الهضبة القاحلة" (Barren Plateau): تخيل أنك تحاول العثور على قاع وادٍ، لكن الأرض مسطحة جداً لدرجة أنك لا تستطيع معرفة الاتجاه الذي يؤدي للأسفل. في التعلم الكمي، أحياناً تصبح الرياضيات مسطحة جداً لدرجة أن الحاسوب لا يستطيع معرفة كيفية التحسن. هذه مشكلة كبيرة للباحثين.
تحميل البيانات: إدخال البيانات إلى الحاسوب الكمي أمر صعب. إذا استغرق تحميل البيانات وقتاً طويلاً، فستضيع ميزة السرعة.
حدود العتاد: لا نملك حتى الآن عدداً كافياً من "العملات الدوارة" (الكيوبتات) التي تظل مستقرة لفترة كافية لحل أكبر المشكلات.

الملخص

هذه الورقة هي خارطة طريق. تقول: "لدى تعلم الآلة الكمي القدرة على إحداث ثورة في كيفية اكتشاف الأدوية من خلال السماح لنا برؤية وإنشاء الجزيئات بطرق لا تستطيع الحواسيب الكلاسيكية القيام بها. نحن نستخدم حالياً أنظمة 'هجينة' (تجمع بين الكلاسيكي والكمي) وأدوات محاكاة قوية (مثل وحدات معالجة الرسوميات من NVIDIA) لاختبار هذه الأفكار. وبينما نواجه تحديات كبيرة تتعلق بالضجيج والعتاد، فإن التقدم في الخوارزميات وأدوات المحاكاة يسير بسرعة، مما يمنح الأمل في اكتشاف أدوية أسرع وأفضل في المستقبل."

ملخص تقني: تعلم الآلة الكمي في اكتشاف الأدوية

بيان المشكلة
يمثل التقاطع بين الحوسبة الكمية وتعلم الآلة (تعلم الآلة الكمي، أو QML) تحولاً جذرياً محتملاً في مجالات الكيمياء واكتشاف الأدوية. وبينما حقق تعلم الآلة التقليدي (ML) نجاحاً ملحوظاً في مجالات مثل التنبؤ ببنية البروتين (مثل AlphaFold) والتنبؤ بالخصائص الجزيئية، إلا أنه يواجه قيوداً في التعامل مع التعقيد الأسي للأنظمة الكمية والمساحات البحثية الكيميائية الشاسعة. وفي المقابل، تعاني الأجهزة الكمية الحالية من قيود تتعلق بالضجيج، وعدد الكيوبتات المحدود، وفقدان الترابط (عصر NISQ). المشكلة المركزية التي يتناولها هذا الاستعراض هي كيفية الاستفيد من الحواسيب الكمية القائمة على البوابات، وتحديداً من خلال الشبكات العصبية الكمية (QNNs)، للتغلب على هذه الاختناقات الكلاسيكية في اكتشاف الأدوية مع مراعاة القيود العملية للأجهزة في المدى القريب. يسعى البحث إلى تقديم منظور متوازن حول الأسس النظرية، والتطبيقات الحالية، والتحديات الكبيرة التي تحول دون تحقيق ميزة كمية حاسمة في هذا المجال.

المنهجية والإطار النظري
يهيكل البحث تحليله حول بنية الشبكات العصبية الكمية (QNNs) وتطبيقاتها المحددة في المهام التنبؤية والتوليدية ضمن اكتشاف الأدوية.

بنية الشبكة العصبية الكمية (QNN): تتضمن المنهجية الأساسية الدوائر الكمية التباينية (VQCs)، والمعروفة أيضاً بالدوائر الكمية ذات المعلمات (PQCs). يتكون سير عمل الـ QNN القياسي من ثلاث مراحل:
1. ترميز البيانات: تحويل البيانات الكلاسيكية (مثل الميزات الجزيئية) إلى حالات كمية. يفصل البحث ثلاث استراتيجيات ترميز رئيسية:
  - ترميز الأساس (Basis Encoding): يربط البيانات الثنائية مباشرة بحالات الكيوبت.
  - ترميز الزاوية (Angle Encoding): يقوم بتدوير حالات الكيوبت بناءً على مدخلات ذات قيم حقيقية.
  - ترميز السعة (Amplitude Encoding): يرمز البيانات في سعات الحالة الكمية، مما يوفر ضغطاً أسياً ( $\log N$ من الكيوبتات لـ $N$ من الميزات) ولكنه يتطلب تحضيراً معقداً للحالة.
2. المعالجة التباينية: تقوم دائرة كمية قابلة للتدريب $U(\theta)$ ذات معلمات قابلة للتعلم $\theta$ بمعالجة الحالة المرمزة.
3. القراءة والتحسين: تُنتج القياسات قيم التوقع، والتي تتم معالجتها كلاسيكياً لحساب دالة التكلفة $C(\theta)$ . يقوم محسن كلاسيكي بتحديث $\theta$ بشكل تكراري لتقليل هذه التكلفة، مما يشكل حلقة هجينة بين الكم والكلاسيك.
البنيات المحددة:
- الشبكات العصبية الرسومية الكمية (QGNNs): تستخدم التمثيلات الرسومية للجزيئات (الذرات كعقد، والروابط كحواف) للتنبؤ بخصائص مثل فجوات HOMO-LUMO وألفة الارتباط.
- الشبكات العصبية التلافيفية الكمية (QCNNs): تم تكييفها للتعرف على الطور والتنبؤ بالخصائص الجزيئية، وتستخدم QCNNs طبقات تجميع (pooling layers) لتقليل عدد الكيوبتات ( $O(\log N)$ من المعلمات)، مما قد يتجنب مشكلة "الهضاب القاحلة" (Barren Plateaus) أو تلاشي التدرجات.
- النماذج التوليدية: تشمل المشفرات التلقائية الكمية (QAEs) لضغط البيانات، والشبكات التنافسية التوليدية الكمية (QGANs) لتوليد هياكل جزيئية جديدة.
- البنيات الناشئة: يناقش البحث المجال الناشئ لـ "المحولات الكمية" (Quantum Transformers)، التي تهدف إلى تقليل تعقيد آلية الانتباه الذاتي من $O(n^2)$ ، رغم أن التطبيقات الحالية تظل نظرية إلى حد كبير.
الأجهزة والمحاكاة: يسلط الاستعراض الضوء على الإمكانات الواعدة للمعالجات الكمية البوزونية (qumodes) المقترنة بالكيوبتات، والتي توفر مساحات هيلبرت أكبر وكفاءة في الأجهزة لتمثيل الأطياف الاهتزازية والترميز الجزيئي. علاوة على ذلك، يفصل البحث استخدام CUDA-Q والمحاكيات المعززة بواسطة وحدات معالجة الرسومات (بما في ذلك طرق الشبكة الموترية) لتوسيع نطاق محاكاة الدوائر بما يتجاوز حدود معالجة وحدة المعالجة المركزية الواحدة، مما يسمح باختبار الخوارزميات على أنظمة افتراضية متعددة لوحدات المعالجة الكمية (multi-QPU).

المساهمات والنتائج الرئيسية
يجمع البحث الأبحاث الحالية لتسليط الضوء على نتائج محددة وأداء مقارن:

الأداء التنبؤي:
- QGNNs: تشير الدراسات إلى أن QGNNs غالباً ما تتفوق على الشبكات الرسومية الكلاسيكية (GNNs) التي تمتلك نفس عدد المعلمات في التنبؤ باستقرار الجزيئات (فجوات HOMO-LUMO) وطاقات التكوين. كما أظهرت الـ QGNNs الهجينة تكافؤاً في الأداء مع النماذج الكلاسيكية المتطورة في ألفة ارتباط البروتين-الليجاند.
- QCNNs: في التنبؤ بسمية الأدوية، أظهرت الشبكات العصبية التلافيفية الكمية الهجينة (HQCNNs) قدرة على تقليل معلمات النموذج بنسبة ~20% مع الحفاظ على الأداء، مما يترجم إلى تخفيضات كبيرة في وقت التدريب. وتدعي بعض تطبيقات HQCNN تحقيق تسريع كمي تربيعي لمهام ضرب المصفوفات المحددة.
- التعميم: يشير البحث إلى أن نماذج QML قد توفر حدود تعميم متفوقة عند ندرة بيانات التدريب، وهو سيناريو شائع في اكتشاف الأدوية، بشر_ط ما يحقق النموذج الكمي خطأ تدريب منخفض باستخدام معلمات أقل من نظيره الكلاسيكي.
الأداء التوليدي:
- QGANs: بينما أظهرت QGANs وعوداً في توليد جزيئات ذات خصائص شبيهة بالأدوية وتحقيق تعبير عالٍ بمعلمات أقل (على سبيل المثال، مميز كمي بـ 50 معلمة يتفوق على مميز كلاسيكي بـ 22,000 معلمة)، إلا أنها تواجه صعوبة حالياً في توليد جزيئات فريدة وصحيحة تشبه توزيع بيانات التدريب.
- النهج الهجين: أظهرت النماذج التوليدية الهجبية (كمي-كلاسيكي) (مثل استخدام الدوائر الكمية لتوليد الضوضاء أو معالجة الفضاء الكامن) أداءً مماثلاً أو محسناً في مقاييس مثل التفرد، والصلاحية، وقابلية التصنيع مقارنة بالنماذج الكلاسيكية المرجعية.
قدرات المحاكاة:
- باستخدام CUDA-Q، يوضح المؤلفون أن تسريع وحدة معالجة الرسومات يوفر سرعات هائلة (على سبيل المثال، 150 ضعفاً لـ 18 كيوبت، و530 ضعفاً لـ 20 كيوبت) مقارنة بمحاكاة متجه الحالة المعتمدة على وحدة المعالجة المركزية (CPU).
- تسمح تقنيات دمج البوابات (gate fusion) والتوازي عبر وحدات معالجة الرسومات المتعددة (عبر NVLink وP2P) بمحاكة دوائر أكبر (تصل إلى 37+ كيوبت) ومركبات (ansatzes) معقدة مثل UCCSD، وهي أمور حاسمة للتحقق من صحة خوارزميات QML قبل نشرها على الأجهزة الفيزيائية.

الأهمية والآفاق المستقبلية
يضع البحث نفسه كاستعراض شامل يوازن بين "الفوائد المحتملة" و"التحديات التي يجب معالجتها". تكمن أهميته في:

التقييم الواقعي: يتجنب البحث المبالغة في تضخيم القدرات الحالية، ويؤكد صراحة أن الحواسيب الكمية ذات القدرة على تصحيح الأخطاء (fault-tolerant) ليست متاحة بعد لتحقيق تسريع أسي للعديد من الخوارزميات (مثل Shor's أو HHL). كما يشدد على أن المزايا الحالية غالباً ما توجد في النهج الهجينة أو مهام محددة تتسم بندرة البيانات.
تحديد الاختناقات: يحدد الاستعراض بوضوح العقبات الحرجة:
- الأجهزة: الحاجة إلى كيوبتات قابلة للتوسع ذات اتصال عالٍ وأوقات ترابط طويلة.
- تحضير الحالة: صعوبة ترميز البيانات الكلاسيكية بكفاءة (ترميز السعة) في الحالات الكمية دون إلغاء المزايا الحسابية.
- قابلية التدريب: انتشار مشكلة الهضاب القاحلة (barren plateaus) والتكلفة العالية لحساب التدرجات الكمية (قاعدة إزاحة المعلمات - parameter-shift rule).
الاتجاهات المستقبلية: يقترح البحث أن أكثر التطبيقات واعدة في المدى القريب تكمن في البنيات الهجينة (HQCNNs, HQAEs) والمهام التي تكون فيها البيانات الكلاسيكية نادرة أو حيث يوفر التمثيل الكمي ملاءمة طبيعية (مثل الأنظمة البوزونية للأطياف الاهتزازية). كما يسلط الضوء على الاختراقات الأخيرة في تصحيح الخطأ الكمي كتمهيد لأنظمة QML أكثر موثوقية.

في الختام، يجادل البحث بأنه على الرغم من أن تعلم الآلة الكمي في مرحلة الطفولة في مجال اكتشاف الأدوية، إلا أن التآزر بين الحوسبة الكمية وتعلم الآلة يحمل إمكانات تحويلية. ومع ذلك، فإن تحقيق هذه الإمكانات يتطلب التغلب على تحديات جوهرية في الأجهزة والخوارزميات، حيث سيعتمد المستقبل القريب على الاستراتيجيات الهجينة (كمي-كلاسيكي) وأدوات المحاكاة المتقدمة لتوجيه عملية التطوير.