⚛️ quantum physics

Quantum-Inspired Hamiltonian Feature Extraction for ADMET Prediction: A Simulation Study

تقدم هذه الدراسة المحاكاتية طريقة لاستخراج ميزات الهاميلتوني المستوحاة من الكم للتنبؤ بخصائص ADMET، والتي تستخدم المعلومات المتبادلة لتوجيه التشابك، محققةً أداءً هو الأفضل في حالته في التنبؤ بركيزة CYP3A4 ومتفوقةً على النماذج الكلاسيكية المرجعية في 8 من أصل 10 معايير قياسية، مع نتائج تُظهر أن الميزات المشتقة كمياً تساهم بشكل غير متناسب في أهمية النموذج رغم أنها لا تشكل سوى 1.6% من الميزات.

المؤلفون الأصليون: B. Maurice Benson, Kendall Byler, Anna Petroff, Shahar Keinan, William J Shipman

نُشر 2026-03-03

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: B. Maurice Benson, Kendall Byler, Anna Petroff, Shahar Keinan, William J Shipman

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

🧪 الخيميائي الرقمي: العثور على أدوية أفضل باستخدام الرياضيات "الكمومية"

المشكلة الكبرى: اختبار "هل سيقتلك؟"
تخيل أنك طاهٍ يحاول ابتكار وصفة جديدة لوجبة صحية للغاية. لديك آلاف المكونات (الجزيئات). ولكن قبل تقديمها للزبون (المريض)، عليك الإجابة على ثلاثة أسئلة مخيفة:

هل سيتناولها الجسم فعلياً؟ (الامتصاص)
هل ستصل إلى المعدة؟ (التوزيع)
هل ستسمم الجسم؟ (السمية)

في عالم الأدوية، يُسمى هذا ADMET. إذا فشلت الدواء في هذه الاختبارات، فهو عديم الفائدة مهما كان جيداً في علاج المرض. تاريخياً، حوالي نصف حالات فشل الأدوية تحدث بسبب هذه المشكلات. إنه أمر مكلف، بطيء، ومحبط.

الأداة القديمة: قائمة البقالة
لفترة طويلة، استخدم العلماء شيئاً يسمى البصمات الجزيئية (Molecular Fingerprints) للتنبؤ بهذه النتائج.

التشبيه: تخيل أن الجزيء عبارة عن كعكة. البصمة هي مجرد قائمة بقالة. تخبرك: "يحتوي على سكر"، "يحتوي على دقيق"، "يحتوي على بيض".
العيب: قائمة البقالة لا تخبرك ما إذا كان السكر والدقيق قد مُزجا معاً لصنع كعكة، أم أنهما مجرد مكونات موضوعة في أوعية منفصلة. إنها تغفل العلاقات بين المكونات. في الكيمياء، كيف تجلس قطعتان من الجزيء بجانب بعضهما البعض يمكن أن يغير كل شيء.

الأداة الجديدة: "الرقصة" المستوحاة من الكم
ابتكر الباحثون في شركة "Polaris Quantum Biotech" طريقة جديدة للنظر إلى هذه الجزيئات. لم يستخدموا حاسوباً كمومياً حقيقياً (فهي لا تزال نادرة وهشة للغاية). بدلاً من ذلك، استخدموا محاكاة على بطاقة فيديو قوية (GPU) تعمل وكأنها فيزياء كمومية.

التشبيه: بدلاً من قائمة البقالة، تخيل أرضية رقص.
- في الطريقة القديمة، كان كل راقص (جزء من الجزيء) يقف ثابتاً.
- في هذه الطريقة الجديدة، يستخدمون "هاميلتوني" (وهو مجرد قاعدة رياضية معقدة) لجعل الراقصين يتحركون.
- السحر: إذا كان من المرجح أن يمسك راقصان بأيدي بعضهما (الارتباط)، فإن الرياضيات "تُشابك" بينهما. يتحركان كوحدة واحدة. وإذا لم يتفقا، يظلان متباعدين.
- من خلال مراقبة كيفية رقصهم، يتعلم الكمبيوتر عن العلاقات بين المكونات، وليس فقط المكونات نفسها.

كيف فعلوا ذلك (الوصفة)

التصفية: أخذوا قائمة البقالة القياسية (2,563 مكوناً) وتخلصوا من الأشياء المملة. احتفظوا بأهم 100 مكون فقط.
الاقتران: بحثوا عن المكونات التي تظهر دائماً معاً (المعلومات المتبادلة).
الرقصة الكمومية: أدخلوا هذه الأزواج في "محاكاة الرقصة الكمومية" الخاصة بهم. قام الكمبيوتر بتشغيل فيلم افتراضي لكيفية تفاعل هذه الأجزاء إذا كانت جسيمات كمومية.
النتيجة: أنتجت المحاكاة بضعة أرقام جديدة (سمات) تصف "حركات الرقص" (الارتباطات).
القرار: أعطوا قائمة البقالة الأصلية بالإضافة إلى أرقام الرقص الجديدة لنظام ذكاء اصطناعي قياسي (CatBoost) لاتخاذ القرار النهائي: "دواء آمن" أو "دواء سام".

النتائج: رشة ملح
هذا هو الجزء الأكثر إثارة للدهشة.

أرقام "الرقصة الكمومية" شكلت فقط 1.6% من إجمالي المعلومات التي رآها الذكاء الاصطناعي.
ومع ذلك، عندما سأل الباحثون الذكاء الاصطناعي: "أي أدلة استخدمت لاتخاذ قرارك؟"، قال الذكاء الاصطناعي: "استخدمت أدلة الرقصة الكمومية بنسبة 33% من الوقت".

التشبيه: الأمر يشبه إضافة رشة صغيرة من الملح إلى الحساء. الملح جزء صغير جداً من الوعاء، لكنه يغير نكهة الطبق بأكمله.

هل نجح الأمر؟
اختبروا هذا على 10 تحديات مختلفة لسلامة الأدوية (مثل التحقق مما إذا كان الدواء يؤذي القلب أو الكبد).

معدل النجاح: تفوق على طريقة "قائمة البقالة" القديمة في 8 من أصل 10 اختبارات.
أفضل فوز: حقق رقماً قياسياً جديداً في التنبؤ بكيفية تفاعل الأدوية مع إنزيمات الكبد (CYP3A4). وهذا أمر ضخم لأن إنزيمات الكبد هي الطريقة الرئيسية في الجسم لتفكيك الأدوية.
الاستثناء: لم يساعد في اختبار واحد (طفرات AMES). يعتقد الباحثون أن هذا خبر جيد في الواقع؛ فهذا يعني أن طريقتهم ذكية بما يكفي لمعرفة متى لا تكون "الرقصة" مهمة.

العقبة (جزء "المحاكاة")
في الوقت الحالي، يتم تشغيل هذا على بطاقة ألعاب فيديو (GPU)، وليس حاسوباً كمومياً حقيقياً.

لماذا؟ الحواسيب الكمومية الحقيقية مليئة بالضجيج ويصعب التحكم فيها.
المستقبل: صمم الباحثون خط الإنتاج بحيث يمكنهم ببساطة توصيل هذا الكود عندما تصبح الحواسيب الكمومية الحقيقية أفضل. إنهم يبنون محاكي الطيران قبل بناء الطائرة الحقيقية.

الخلاصة
يثبت هذا البحث أن استخدام "الرياضيات الكمومية" لفهم كيفية تواصل أجزاء الجزيء مع بعضها البعض يمكن أن يجعل التنبؤ بسلامة الأدوية أفضل بكثير. ورغم أنهم لا يستخدمون حاسوباً كمومياً حقيقياً بعد، إلا أن الرياضيات تعمل. إنها خطوة صغيرة نحو مستقبل يمكننا فيه تصميم أدوية أكثر أماناً بشكل أسرع، مما يوفر الوقت والمال في المختبر.

1. بيان المشكلة

يعد التنبؤ الدقيق بخصائص الامتصاص، والتوزيع، والتمثيل الغذائي، والإخراج، والسمية (ADMET) عقبة حرجة في عملية اكتشاف الأدوية، حيث تساهم هذه الخصائص بنحو 50% من حالات الفشل في التطوير. وبينما تعتمد مناهج تعلم الآلة القياسية على البصمات الجزيئية (مثل ECFP وAvalon) لترميز البنى الفرعية، فإن هذه التمثيلات تعامل الميزات بشكل مستقل جوهرياً. وبناءً على ذلك، تفشل هذه المناهج في التقاط الارتباطات من الرتب العليا بين البنى الجزيئية الفرعية (مثل الروابط الهيدروجينية داخل الجزيء بين مانح ومستقبل) التي تؤثر بشكل مشترك على الخصائص الحركية الدوائية. يهدف المؤلفون إلى معالجة "نقطة العمى في الارتباط" هذه باستخدام طريقة استخراج ميزات مستوحاة من الكم.

2. المنهجية

تدمج خطة العمل المقترحة بين الواصفات الجزيئية الكلاسيكية وهندسة الميزات المستوحاة من الكم. وتتكون العملية من ست مراحل:

توليد الميزات (MapLight): يتم تحويل الجزيئات إلى متجه ذي 2,563 بُعد يجمع بين بصمات الاتصال الممتد (ECFP)، وAvalon، وواصفات ErG، وخصائص RDKit الفيزيائية والكيميائية.
التصفية المسبقة عبر المعلومات المتبادلة (MI): لإدارة التكلفة الحسابية، يتم اختيار أفضل 100 بت من البصمات الأكثر إخباراً بالمهمة المستهدفة باستخدام المعلومات المتبادلة ( $I(X_i; Y)$ ).
اكتشاف الارتباط: يتم حساب المعلومات المتبادلة الزوجية ( $I(X_i; X_j)$ ) بين الميزات المصفاة لتحديد أزواج وثلاثيات البتات المعتمدة إحصائياً.
الترميز الكمي:
- يتم ترميز الأزواج والثلاثيات المختارة في هاميلتوني (Hamiltonian - $H$ ) ذي معاملات متغيرة.
- تُسقط بتات البصمة على الكيوبتات ( $|0\rangle$ أو $|1\rangle$ ).
- يتم تشابك البتات المترابطة عبر حدود اقتران (مثل $c_{ij}\sigma_z^i\sigma_z^j$ ) مشتقة من قيم المعلومات المتبادلة (MI).
- يخضع النظام لتطور زمني ( $e^{-iHt}$ ) تمت محاكاته على خلفيات مدعومة بوحدات معالجة الرسومات (PennyLane lightning.gpu).
- تُستخرج الميزات كقيم توقع لعمليات Pauli-Z ( $\langle \sigma_z \rangle$ ) من الحالة المتطورة.
التصنيف: يتم دمج ميزات MapLight الأصلية مع الميزات الجديدة المستخرجة كمياً (40-80 بُعداً) وتغذيتها في مصنف CatBoost.

3. المساهمات الرئيسية

التشابك الموجه بالمعلومات المتبادلة (MI): نهج مبتكر لاختيار بتات البصمة المراد تشابكها بناءً على المعلومات المتبادلة الإحصائية، مما يركز الموارد الكمية على الارتباطات المعلوماتية بدلاً من الاختيار العشوائي.
التقييم الشامل: تقييم عبر 10 معايسات (benchmarks) لبيانات (TDC) الخاصة بـ ADMET، بما في ذلك التمثيل الغذي (CYP)، والسمية (hERG, AMES)، والامتصاص (BBB, HIA).
تحليل كفاءة الميزات: إثبات أن الميزات المستخرجة كمياً، رغم أنها تشكل فقط 1.6% من إجمالي مجموعة الميزات، تساهم بشكل غير متناسب في أهمية النموذج.
المسار العتادي: إنشاء خط أنابيب محاكاة متوافق مع الأجهزة الكمية القريبة من زمن الحوسبة الكمية المتسامحة مع الخطأ (NISQ)، وتحديداً استهداف خلفيات IBM Quantum.

4. النتائج

الأداء: حسنت الطريقة الأداء مقارنة بالخط المرجعي الكلاسيكي في 8 من أصل 10 معايسات.
- حالة الفن (SOTA): حققت أداءً هو الأفضل في فئتها في التنبؤ بركيزة CYP3A4 (بمساحة تحت المنحنى AUROC قدرها 0.673 ± 0.004).
- مكاسب كبيرة: لوحظت أكبر التحسينات في hERG (+2.7%) وCYP3A4 (+2.6%).
- الدلالة الإحصائية: أكدت اختبارات t المقترنة وجود تحسينات معنوية (p < 0.05) في CYP3A4، وhERG، وBBB_Martins، وPGP_Broccatelli.
المقارنة بالخط المرجعي:
- الخط المرجعي متعدد الحدود الكلاسيكي: فشل التوسع متعدد الحدود من الدرجة الثانية (الذي يسرد المصطلحات الزوجية صراحة) في مضاهاة الطريقة الكمية، بل وأدى إلى تدهور الأداء في 8 من أصل 10 مهام. يشير هذا إلى أن المكاسب الكمية ليست مجرد نتيجة إضافة حدود التفاعل، بل تنبع من آلية الترميز/التشابك المحددة.
- الاعتماد على المهمة: لم يُلاحظ أي تحسن في AMES (الطفرات الجينية) أو HIA_Hou. ويعزو المؤلفون ذلك إلى تنوع آليات الطفرات (لا يوجد نمط ارتباط واحد) والارتفاع في أداء الخط المرجعي لـ HIA_Hou (حيث تلتقط البصمات الكيمياء بالفعل).
أهمية الميزة (SHAP):
- ساهمت الميزات الكمية بنسبة تتراوح بين 3.7% إلى 33.4% من إجمالي أهمية النموذج عبر المهام المختلفة.
- في مهمة CYP2D6_Substrate، شكلت الميزات الكمية 33.44% من الأهمية رغم كونها جزءاً ضئيلاً جداً من المدخلات.
- ارتبطت الأهمية العالية لـ SHAP بقوة مع مكاسب الأداء.

5. الأهمية والقيود

الأهمية: تثبت الدراسة أن ترميز هاميلتوني يلتقط معلومات تفاعل تكميلية من رتب عليا تفتقدها البصمات القياسية. كما توفر مساراً ملموساً للانتقال من المحاكاة الكلاسيكية إلى التنفيذ العتادي على أجهزة NISQ.
التكلفة الحسابية: المحاكاة مكلفة (تتوسع أسياً مع عدد الكيوبتات)، حيث تستغرق من 2 إلى 20 دقيقة لكل معيار على وحدات معالجة الرسومات. ومع ذلك، يمكن تخزين الميزات المستخرجة مؤقتاً للاستخدام في الإنتاج.
القيود:
- المحاكاة مقابل العتاد: تعتمد النتائج الحالية على محاكاة دقيقة لمتجه الحالة (20-28 كيوبت). وتؤدي الأجهزة الحقيقية إلى إدخال الضجيج الذي قد يقلل من جودة الميزات.
- حجم البيانات: المعايسات صغيرة نسبياً (300-1,000 جزيء)؛ وقد تعطي مجموعات البيانات الأكبر أنماطاً مختلفة.
العمل المستقبلي: يقترح المؤلفون التحقق من صحة العتاد على أنظمة IBM Quantum باستخدام تقنيات تخفيف الخطأ (مثل Zero-Noise Extrapolation) للتحقق مما إذا كانت مكاسب الأداء ستستمر في بيئة صاخبة.

الخلاصة

توضح هذه الورقة أن استخراج الميزات بهاميلتوني المستوحى من الكم يمكن أن يعزز بشكل كبير التنبؤ بخصائص ADMET من خلال ترميز الارتباطات الهيكلية في حالات كيوبت متشابكة. ومن خلال الاستفادة من المعلومات المتبادلة لتوجيه التشابك، تحقق الطريقة نتائج هي الأفضل في فئتها في مهام رئيسية في اكتشاف الأدوية مع الحفاظ على كفاءة عالية للميزات. ويعد هذا العمل خطوة تأسيسية نحو التحقق من مزايا الحوسبة الكمية على الأجهزة الكمية الفعلية.