⚛️ quantum physics

QCS-ADME: Quantum Circuit Search for Drug Property Prediction with Imbalanced Data and Regression Adaptation

تقترح هذه الورقة آلية تسجيل مبتكرة خالية من التدريب، تُسمى QCS-ADME، والتي تقيم وتبحث بفعالية في الدوائر الكمومية للتنبؤ بخصائص العقاقير من خلال معالجة التحديات المزدوجة لمهام التصنيف والانحدار غير المتوازنة، متفوقة بشكل كبير على الطرق المرجعية في ربط الدرجات بالأداء الفعلي.

المؤلفون الأصليون: Kangyu Zheng, Tianfan Fu, Zhiding Liang

نُشر 2026-02-26

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Kangyu Zheng, Tianfan Fu, Zhiding Liang

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 شيف (طاهٍ) ماهر تحاول ابتكار وصفة جديدة مثالية لدواء ما. قبل أن تتمكن من تقديمها للمرضى، تحتاج إلى معرفة كيف سيتفاعل جسم الإنسان معها: هل سيتم امتصاصها؟ هل ستنتشر إلى الأعضاء الصحيحة؟ هل سيقوم الكبد بتفكيكها بسرعة كبيرة؟ أم سيتم إخراجها من الجسم قبل أن تؤدي مفعولها؟

في عالم الصيدلة، يسمى هذا ADME (الامتصاص، التوزيع، التمثيل الغذائي، الإخراج). التنبؤ بهذه الخصائص أمر بالغ الأهمية، لكنه صعب للغاية.

تقدم هذه الورقة البحثية أداة جديدة تسمى QCS-ADME. فكر في الأمر كمحرك بحث للوصفات الكمومية مصمم خصيصاً لإيجاد أفضل البرامج الحاسوبية (الدوائر) للتنبؤ بكيفية سلوك الأدوية في الجسم. إليك شرح بسيط لما فعلوه ولماذا يهم ذلك.

1. المشكلة: لغز "غير متوازن" و"ضبابي"

أجهزة الكمبيوتر الكمومية الحالية تشبه الطهاة الموهوبين ولكن عديمي الخبرة. إنهم بارعون في المهام البسيطة والمتوازنة (مثل قلب عملة معدنية أو فرز الكرات الحمراء عن الزرقاء حيث تكون الأعداد متساوية).

لكن بيانات الأدوية في العالم الحقيقي فوضوية:

مشكلة "عدم التوازن": تخيل أن لديك 1,000 شخص معافى في بياناتك و100 شخص مريض فقط. إذا خمن الشيف ببساطة أن "الجميع معافى"، فسيصيب في 90% من الحالات! لكنه سيفشل تماماً في العث de على المرضى. هذا هو عدم توازن الفئات (Class Imbalance).
المشكلة "الضبابية": بعض خصائص الأدوية ليست مجرد "نعم/لا". بل هي أرقام، مثل "كم من الوقت يبقى الدواء في الدم؟" (على سبيل المثال: 4.2 ساعة، 4.3 ساعة). هذا هو الانحدار (Regression).

أدوات البحث الكمومية القديمة كانت ترتبك بسبب هذه البيانات الفوضوية وغير المتوازنة والضبابية. كانت تختار دوائر تبدو جيدة على الورق ولكنها تفشل في العالم الحقيقي.

2. الحل: "اختبار تذوق" جديد (نظام تسجيل النقاط)

أدرك المؤلفون أنه قبل أن تطهو الوجبة (تدريب الدائرة)، فأنت بحاجة إلى طريقة أفضل لتذوق المكونات (تقييم الدائرة) دون طهيها بالفعل. تُسمى هذه الطريقة بأسلوب "الخالي من التدريب" (Training-Free).

لقد ابتكروا "اختبارات تذوق" خاصة لإصلاح هذه المشكلات:

أ. "عدسة مكبرة للفئة الأقلية" (للبيانات غير المتوازنة)

الطريقة القديمة: كان النظام القديم يعامل كل نقطة بيانات بالتساوي. إذا كانت 90% من البيانات "معافاة"، فإن النظام يتجاهل الأشخاص "المرضى" لأنهم قلة لا تهم.
الطريقة الجديدة: أضاف المؤلفون مصفوفة موزونة (Weighted Matrix). تخيل إعطاء الـ 100 شخص "المرضى" مكبراً للصوت. الآن، عندما يقيم النظام وصفة ما، فإنه يصرخ: "مهلاً! لقد أغفلت المرضى!". هذا يجبر الكمبيوتر الكمومي على الانتباه للحالات النادرة والمهمة، وليس فقط للأغلبية.

ب. "المتحكم السلس" (لبيانات الانحدار)

الطريقة القديمة: تعود أجهزة الكمبيوتر الكمومية للتفكير في مفاتيح "التشغيل/الإيقاف" (0 أو 1). لكن خصائص الأدوية تشبه مفتاح التحكم في شدة الإضاءة (0.1، 0.2، 0.3...). الأدوات القديمة لم تستطع قياس المسافة بين 4.2 ساعة و4.3 ساعة بفعالية.
الطريقة الجديدة: استخدموا طريقة "التشابه الغاوسي" (Gaussian Similarity). فكر في هذا كمنزلق سلس. إنه يخبر الكمبيوتر الكمومي: "إذا كان الهدف هو 4.2 ساعة، فإن التنبؤ بـ 4.3 ساعة هو صحيح تقريباً. أما التنبؤ بـ 10 ساعات فهو خاطئ تماماً". هذا يعلمه فهم العلاقة بين الأرقام، وليس فقط الفئات المنفصلة.

3. سير العمل: كيف يعمل الأمر

الترجمة: يحولون الصيغ الكيميائية (سلاسل SMILES) إلى كود رقمي (مثل الباركود).
الرسم البياني: يترجمون هذا الباركود إلى لغة البتات الكمومية (qubits).
البحث والتقييم: يقومون بتوليد الآلاف من "الوصفات" المحتملة (الدوائر). وبدلاً من طهيها جميعاً (مما يستغرق وقتاً طويلاً جداً)، يستخدمون نظام تسجيل النقاط الجديد الخاص بهم لتقييم أي منها من المرجح أن يكون الأفضل فوراً.
الاختيار: يختارون أفضل الدوائر تقييماً ويقومون بتشغيلها فعلياً لمعرفة ما إذا كانت ستنجح.

4. النتائج: أخبار جيدة ومراجعة للواقع

اختبر الفريق هذا النظام على بيانات أدوية حقيقية:

النجاح: كان نظام تسجيل النقاط الجديد لديهم أفضل بكثير في التنبؤ بالدوائر التي ستعمل بشكل جيد، خاصة بالنسبة لمهام الانحدار "الضبابية" الصعبة. لقد وجد دوائر تنافس الأساليب الكمومية عالية التقنية الأخرى.
الفجوة: عندما قارنوا "طهاة" الكم الكموميين بـ "طهاة" الكمبيوتر التقليديين (مثل XGBoost أو Random Forest)، كانت الأنظمة التقليدية لا تزال أسرع وأكثر دقة. أجهزة الكمبيوتر الكمومية واعدة، لكنها ليست مستعدة تماماً لاستبدال الأساليب القديمة بعد.
مفاجأة "الضجيج": اختبروا دوائرهم على أجهزة كمومية حقيقية (وهي أجهزة مليئة بالضجيج وغير مثالية، مثل مطبخ به نافذة مفتوحة تسبب تيارات هوائية). ومن المثير للدهشة، أن الضجيج ساعد النموذج في بعض المهام على الأداء بشكل أفضل (مثل القليل من الفوضى التي تساعد الشيف على الارتجال). لكن في مهام أخرى، جعل الضجيج الأداء أسوأ.

الصورة الكبيرة

تعد هذه الورقة البحثية خطوة مهمة للأمام لأنها تطوع الحوسبة الكمومية لتناسب الواقع الفوضوي لعلم الأحياء. الأمر لا يتعلق فقط بجعل أجهزة الكمبيوتر الكمومية أسرع؛ بل يتعلق بتعليمها كيفية التعامل مع الطبيعة "غير المتوازنة" و"الضبابية" للبيانات الطبية في العالم الحقيقي.

على الرغم من أن أجهزة الكمبيوتر الكمومية ليست بعد أداة اكتشاف أدوية نهائية، إلا أن "نظام تسجيل النقاط" الجديد هذا يشبه إعطاءها نظارات طبية أفضل، مما يسمح لها برؤية التفاصيل المهمة التي كانت تغفل عنها سابقاً.

إليك ملخص تقني مفصل لورقة البحث بعنوان "QCS-ADME: البحث عن الدوائر الكمومية للتنبؤ بخصائص العقاقير مع البيانات غير المتوازنة والتكيف مع الانحدار."

1. بيان المشكلة

تتناول الورقة القيود المفروضة على أطر عمل البحث عن الدوائر الكمومية (QCS) الحالية عند تطبيقها على التنبؤ بخصائص العقاقر في المجال الحيوي، وتحديداً مهام الـ ADME (الامتصاص، التوزيع، الاستقلاب، والإخراج).

الفجوة: تعتمد طرق (QCS) الحالية (مثل Elivagar) بشكل أساسب على اختبارات معيارية على مجموعات بيانات بسيطة ومتوازنة (مثل MNIST). وهي تفشل في معالجة تعقيدين حرجين متأصلين في البيانات الصيدلانية:
1. عدم توازن الفئات (Class Imbalance): غالباً ما تتسم مهام تصنيف ADME بنسب متباينة للغاية بين الحالات الإيجابية والسلبية (على سبيل المثال، من 3:1 إلى 6:1)، مما يؤدي إلى انحياز المقاييس القياسية نحو الفئات الأكثر انتشاراً وتجاهل الفئات الأقل تمثيلاً.
2. متطلبات الانحدار (Regression Requirements): تتضمن مهام ADME أهدافاً مستمرة للانحدار (مثل معدلات تخليص العقاقر)، في حين تعتمد آليات التقييم في (QCS) الحالية على الفصل بين الفئات المنفصلة، مما يجعلها غير مناسبة للتنبؤ بالقيم المستمرة.
التحدي: يتطلب البحث عن الدوائر (QCS) الخالي من التدريب تقييماً سريعاً لآلاف الدوائر المرشحة. والحلول الحالية لمشكلة عدم التوازن (مثل Quantum-SMOTE) مكلفة حاسوبياً للغاية بالنسبة لعملية البحث هذه. هناك نقص في آلية تقييم خالية من التدريب يمكنها التعامل في آن واحد مع طوبولوجيا الانحدار وعدم توازن الفئات.

2. المنهجية: إطار عمل QCS-ADME

يقترح المؤلفون QCS-ADME، وهو إطار عمل يكيّف مسار (QCS) القياسي (فضاء البحث $\leftarrow$ الاستراتيجية $\leftarrow$ التقييم) مع تعديلات محددة لمهام ADME.

أ. نظرة عامة على سير العمل

المعالجة المسبقة للبيانات: يتم تحويل الهياكل الكيميائية (SMILES) إلى مفاتيح MACCS مكونة من 166 بت، ثم تُختصر إلى 128 بت، وتُسقط على فضاء هيلبرت كمومي مكون من 7 كيوبتات باستخدام التضمين الزاوي (Angle Embedding).
توليد الدوائر: يتم توليد الدوائر المرشحة باستخدام استراتيجية أخذ عينات عشوائية منحازة تعطي الأولوية للبوابات الفعالة من حيث الأجهزة بناءً على معايرة الجهاز في الوقت الفعلي (أوقات التماسك، ودقة البوابات).
التقييم الخالي من التدريب: بدلاً من التدريب الكامل، يتم ترتيب الدوائر باستخدام درجة مركبة:
$\text{Score}(C) = \text{CNR}(C)^{\alpha} \times \text{RepCap}(C)$
- CNR (مرونة ضجيج كليفورد): وهو مؤشر تقريبي لدقة الأجهزة بناءً على بنية الدائرة.
- RepCap (القدرة التمثيلية): وهو الابتكار الجوهري، الذي تم تعديله للتعامل مع عدم التوازن والانحدار.

ب. الابتكارات المنهجية الرئيسية

تقدم الورقة تعديلين محددين على مقياس RepCap:

التعامل مع عدم توازن الفئات (مصفوفة الأوزان $R_w$ ):
- المشكلة: يقلل مقياس (RepCap) القياسي المسافة بين مصفوفة النواة الكمومية ( $R_c$ ) ومصفوفة مرجعية مثالية ( $R_{ref}$ ). في البيانات غير المتوازنة، تهيمن أزواج الفئات الأكثر انتشاراً على $R_{ref}$ ، مما يؤدي إلى توجيه البحث لتجاهل الفئات الأقل تمثيلاً.
- الحل: يقدم المؤلفون مصفوفة أوزان مدركة للكثافة $R_w$ .
  $\text{RepCap}(C) = 1 - \frac{\|R_c - R_w \otimes R_{ref}\|_2^2}{2 \cdot n_c \cdot d_c^2}$
- حيث $R_w(i, j) = w_i \cdot w_j$ ، و $w_i$ هو مقلوب تكرار الفئة للعينة $i$ . هذا يعمل على تضخيم مساهمة أزواج الفئات الأقل تمثيلاً في الدرجة، مما يجبر الدائرة على تعلم تمثيلات قوية للفئات غير الممثلة بشكل كافٍ.
التعامل مع مهام الانحدار (التشابه الغاوسي):
- المشكلة: يتطلب الانحدار الحفاظ على العلاقات المستمرة، وليس فقط الفصل بين الفئات المنفصلة.
- الحل: تمت إعادة تعريف المصفوفة المرجعية $R_{ref}$ باستخدام نواة دالة الشعاع الأساسي (RBF) الغاوسية بناءً على القيم المستهدفة ( $y$ ):
  $R_{ref}(i, j) = \exp\left(-\frac{\|y_i - y_j\|^2}{2\sigma^2}\right)$
- يشجع هذا الصياغة الدائرة الكمومية على رسم خرائط للمدخلات ذات القيم المستهدفة المتشابهة إلى حالات كمومية قريبة في فضاء هيلبرت (هندسة متماثلة)، مما يعمل فعلياً على تعميم المقياس من المطابقة المنفصلة إلى التشابه المستمر.

3. المساهمات الرئيسية

تقييم جديد خالي من التدريب للانحدار: أول طريقة (QCS) تعمم القدرة التمثيلية من التصنيف المنفصل إلى الانحدار المستمر باستخدام التشابه الموزون غاوسياً، مما يسمح بالبحث عن دوائر تحافظ على الطوبولوجيا المستمرة.
البحث المدرك لعدم التوازن: تقديم مصفوفة الوزن $R_w$ التي تصحح "انحياز الفئة الأكثر انتشاراً" في مقاييس (QCS) القياسية، مما يضمن منح الأولوية للفئات الأقل تمثيلاً أثناء عملية اختيار الدائرة دون الحاجة لزيادة البيانات المكلفة حاسوبياً.
اختبار معياري شامل لـ ADME: تطبيق (QCS) على 12 مهمة ADME من الواقع (8 مهام تصنيف غير متوازنة، و4 مهام انحدار) وإجراء تحليل صارم لـ "من المحاكاة إلى الواقع" (Sim-to-Real) بمقارنة النتائج من المحاكاة عديمة الضجيج مقابل التنفيذ على معالج IBM Rensselaer الكمومي.

4. النتائج التجريبية

أ. الارتباط مع أداء الاختبار

التصنيف: أظهرت طريقة التقييم المنقحة ارتباط سبيرمان متوسط إلى قوي بين درجة ما قبل التدريب وأداء الاختبار (على سبيل المثال، $R=0.412$ لمهمة HIA_Hou)، متفوقة بشكل كبير على طريقة Elivagar المرجعية التي أظهرت ارتباطاً ضئيلاً ( $R \approx 0.02$ ) في المهام غير المتوازنة.
الانحدار: أظهرت الطريقة ارتباطاً سالباً ثابتاً ( $R \in [-0.33, -0.48]$ ) بين الدرجة وخطأ (MSE) في الاختبار، مما يؤكد أن الدرجات الأعلى تتنبأ بشكل موثوق بأخطاء انحدار أقل.

ب. الأداء مقابل النماذج المرجعية

مقابل طرق (QCS) الأخرى: كانت الدوائر المختارة بواسطة QCS-ADME (أفضل 25 دائرة) منافسة أو متفوقة على QuantumNAS و Elivagar في معظم مقاييس التصنيف (الدقة، F1، PR-AUC).
مقابل التعلم الآلي الكلاسيكي:
- التصنيف: كانت دوائر التعلم الآلي الكمومي (QML) منافسة في بعض المهام (على سبيل المثال، F1-score لمهمة BBB_Martins بلغ 0.92 مقابل 0.88 لـ XGBoost) لكنها تراجعت عموماً عن النماذج الكلاسيكية (XGBoost، Random Forest) في مقياس PR-AUC.
- الانحدار: ظلت هناك فجوة كبيرة في الأداء؛ حيث حققت النماذج الكلاسيكية قيم MSE أقل بكثير (على سبيل المثال، 0.003 لـ SVM) مقارنة بـ (QML) الذي سجل 0.307، مما يسلط الضوء على القيود الحالية لأجهزة (NISQ) في مهام الانحدار.

ج. تحليل "من المحاكاة إلى الواقع" (Sim-to-Real)

تأثير الضجيج: أدى الانتقال من المحاكاة إلى أجهزة IBM الحقيقية إلى تدهور الأداء بشكل عام.
- الانحدار: كان التأثير سلبياً بشكل موحد؛ حيث زاد (MSE) بنسبة ~25-37%، كما زادت حالة عدم الاستقرار (التباين) بشكل كبير.
- التصنيف: كان التأثير دقيقاً ومتنوعاً. بينما تدهورت معظم المهام، أظهرت مهمة Bioavailability_Ma تحسناً غير متوقع على الأجهزة الحقيقية (ارتفع PR-AUC من 0.52 إلى 0.77). يشير المؤلفون إلى أن ضجيج الأجهزة قد يعمل كشكل من أشكال التنظيم (Regularization) لآفاق معينة من المشكلات.

5. الأهمية والخاتمة

سد الفجوة: نجح QCS-ADME في تكييف البحث عن الدوائر الكمومية مع المتطلبات المعقدة والخاصة باكتشاف العقاقير، متجاوزاً مجموعات البيانات البسيطة إلى مشكلات بيولوجية طبية حقيقية تتسم بعدم التوازن وكثافة مهام الانحدار.
الموثوقية: توفر آلية التقييم المقترحة وسيطاً موثوقاً وخالياً من التدريب لأداء الدائرة، وهو أمر بالغ الأهمية نظراً للتكلفة العالية لتدريب الدوائر الكمومية.
الآفاق المستقبلية: رغم نجاح الإطار في تحديد الدوائر الواعدة، إلا أن فجوة الأداء مع الخوارزميات الكلاسيكية (خاصة في الانحدار) تظل تحدياً حرجاً. تسلط الورقة الضوء على أن ضجيج الأجهزة هو سلاح ذو حدين: فهو عائق للانحدار، ولكنه قد يساعد أحياناً في التصنيف عبر التنظيم. يركز العمل المستقبى على تقليم الدوائر الواعية بالضجيج وتعزيز المتانة تجاه ضجيج التسميات (Label Noise).

باختصار، تضع هذه الورقة إطاراً تأسيسياً لتطبيق التعلم الآلي الكمومي في اكتشاف العقاقير من خلال حل التحديات الخوارزمية المحددة المتمثلة في عدم توازن البيانات والانحدار المستمر ضمن قيود أجهزة (NISQ) ذات الحجم المتوسط والمشوبة بالضجيج.