⚛️ quantum physics

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

यह शोध पत्र एक नवीन प्रशिक्षण-मुक्त स्कोरिंग तंत्र, QCS-ADME का प्रस्ताव करता है, जो असंतुलित वर्गीकरण और प्रतिगमन (रिग्रेशन) कार्यों की दोहरी चुनौतियों का समाधान करके दवा के गुण पूर्वानुमान के लिए क्वांटम सर्किटों का प्रभावी ढंग से मूल्यांकन और खोज करता है, जो वास्तविक प्रदर्शन के साथ स्कोर के सहसंबंध में आधारभूत विधियों से काफी बेहतर प्रदर्शन करता है।

मूल लेखक: Kangyu Zheng, Tianfan Fu, Zhiding Liang

प्रकाशित 2026-02-26

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Kangyu Zheng, Tianfan Fu, Zhiding Liang

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक मास्टर शेफ हैं जो दवा के लिए एक आदर्श नया नुस्खा (रेसिपी) बनाने की कोशिश कर रहे हैं। मरीजों को परोसने से पहले, आपको यह जानना होगा कि मानव शरीर उस पर कैसी प्रतिक्रिया देगा: क्या वह अवशोषित होगा? क्या वह सही अंगों तक फैलेगा? क्या लिवर उसे बहुत जल्दी तोड़ देगा? या क्या उसे काम करने से पहले ही शरीर से बाहर निकाल दिया जाएगा?

दवा विज्ञान की दुनिया में, इसे ADME (एब्जॉर्प्शन, डिस्ट्रीब्यूशन, मेटाबॉलिज्म, एक्सक्रीशन) कहा जाता है। इन गुणों की भविष्यवाणी करना अत्यंत महत्वपूर्ण है, लेकिन यह बहुत कठिन काम है।

यह पेपर एक नए टूल पेश करता है जिसे QCS-ADME कहा जाता है। इसे एक "क्वांटम रेसिपी सर्च इंजन" के रूप में समझें जिसे विशेष रूप से उन सर्वश्रेष्ठ कंप्यूटर प्रोग्रामों (सर्किट्स) को खोजने के लिए डिज़ाइन किया गया है जो यह अनुमान लगा सकें कि दवाएं शरीर में कैसे व्यवहार करती हैं। यहाँ इसका सरल विवरण दिया गया है कि उन्होंने क्या किया और यह क्यों मायने रखता है।

1. समस्या: एक "असंतुलित" और "धुंधली" पहेली

मौजूदा क्वांटम कंप्यूटर अनुभवी लेकिन अनुभवहीन शेफ की तरह हैं। वे सरल, संतुलित कार्यों (जैसे सिक्का उछालना या लाल गेंदों को नीली गेंदों से अलग करना जहाँ दोनों की संख्या बराबर हो) में बहुत अच्छे हैं।

लेकिन वास्तविक दुनिया का ड्रग डेटा बिखरा हुआ और जटिल होता है:

"असंतुलित" (Unbalanced) समस्या: कल्पना करें कि आपके पास डेटा में 1,000 स्वस्थ लोग हैं और केवल 100 बीमार लोग। यदि कोई शेफ केवल यह अनुमान लगाता है कि "हर कोई स्वस्थ है," तो वह 90% बार सही होगा! लेकिन वह बीमार लोगों को खोजने में पूरी तरह विफल रहेगा। इसे क्लास इम्बैलेंस (Class Imbalance) कहते हैं।
"धुंधली" (Fuzzy) समस्या: कुछ दवाओं के गुण केवल "हाँ/ना" वाले नहीं होते। वे संख्याएँ होते हैं, जैसे "दवा रक्त में कितनी देर तक रहती है?" (उदाहरण के लिए, 4.2 घंटे, 4.3 घंटे)। इसे रिग्रेशन (Regression) कहा जाता है।

पुराने क्वांटम खोज उपकरण इन अव्यवस्थित, असंतुलित और धुंधले डेटासेट से भ्रमित हो जाते थे। वे ऐसे सर्किट चुन लेते थे जो कागज़ पर तो अच्छे दिखते थे लेकिन वास्तविक दुनिया में विफल हो जाते थे।

2. समाधान: एक नया "टेस्ट टेस्ट" (स्कोरिंग सिस्टम)

लेखकों ने महसूस किया कि खाना पकाने (सर्किट को ट्रेन करने) से पहले, आपको सामग्री का स्वाद चखने (सर्किट को स्कोर करने) का एक बेहतर तरीका चाहिए, बिना वास्तव में खाना पकाए। इसे "ट्रेनिंग-फ्री" (Training-Free) विधि कहा जाता है।

उन्होंने इन समस्याओं को ठीक करने के लिए दो विशेष "टेस्ट टेस्ट" का आविष्कार किया:

A. "माइनॉरिटी क्लास मैग्नीफाइंग ग्लास" (असंतुलित डेटा के लिए)

पुराना तरीका: पुराना सिस्टम हर डेटा पॉइंट के साथ समान व्यवहार करता था। यदि 90% डेटा "स्वस्थ" था, तो सिस्टम "बीमार" लोगों को अनदेखा कर देता था क्योंकि वे बहुत कम थे।
नया तरीका: लेखकों ने एक वेटेड मैट्रिक्स (Weighted Matrix) जोड़ा। कल्पना करें कि आप उन 100 "बीमार" लोगों को एक मेगाफोन दे रहे हैं। अब, जब सिस्टम एक रेसिपी का मूल्यांकन करता है, तो वह चिल्लाकर कहता है, "हे! आपने बीमार लोगों को छोड़ दिया!" यह क्वांटम कंप्यूटर को दुर्लभ, महत्वपूर्ण मामलों पर ध्यान देने के लिए मजबूर करता है, न कि केवल बहुमत पर।

B. "स्मूथ स्लाइडर" (रिग्रेशन डेटा के लिए)

पुराना तरीका: क्वांटम कंप्यूटर "ऑन/ऑफ" स्विच (0 या 1) के बारे में सोचने के आदी हैं। लेकिन दवाओं के गुण एक डिमर स्विच की तरह होते हैं (0.1, 0.2, 0.3...)| पुराने उपकरण 4.2 घंटे और 4.3 घंटे के बीच के अंतर को प्रभावी ढंग से नहीं माप सकते थे।
नया तरीका: उन्होंने गौसियन सिमिलैरिटी (Gaussian Similarity) पद्धति का उपयोग किया। इसे एक स्मूथ स्लाइडर के रूप में सोचें। यह क्वांटम कंप्यूटर को बताता है: "यदि लक्ष्य 4.2 घंटे है, तो 4.3 का अनुमान लगभग सही है। 10 घंटे का अनुमान बहुत गलत है।" यह सर्किट को संख्याओं के बीच के संबंध को समझने में मदद करता है, न कि केवल अलग-अलग श्रेणियों को।

3. वर्कफ़्लो: यह कैसे काम करता है

अनुवाद (Translate): वे रासायनिक सूत्रों (SMILES स्ट्रिंग्स) को एक डिजिटल कोड (जैसे बारकोड) में बदलते हैं।
मैपिंग (Map): वे उस बारकोड को क्वांटम बिट्स (qubits) की भाषा में अनुवादित करते हैं।
खोज और स्कोर (Search & Score): वे हजारों संभावित "रेसिपी" (सर्किट) उत्पन्न करते हैं। उन सभी को पकाने (जो बहुत समय लेता है) के बजाय, वे अपने नए स्कोरिंग सिस्टम का उपयोग करके तुरंत रेटिंग देते हैं कि कौन से सबसे अच्छे होने की संभावना है।
चयन (Select): वे शीर्ष-रेटेड सर्किट चुनते हैं और वास्तव में उन्हें चलाकर देखते हैं कि क्या वे काम करते हैं।

4. परिणाम: अच्छी खबर और वास्तविकता की जाँच

टीम ने वास्तविक ड्रग डेटा पर इसका परीक्षण किया:

सफलता: उनका नया स्कोरिंग सिस्टम यह अनुमान लगाने में बहुत बेहतर था कि कौन से सर्किट अच्छा काम करेंगे, विशेष रूप से कठिन "धुंधले" रिग्रेशन कार्यों के लिए। इसने ऐसे सर्किट खोजे जो अन्य उच्च-तकनीकी क्वांटम तरीकों के साथ प्रतिस्पर्धा करने में सक्षम थे।
अंतराल (The Gap): जब उन्होंने अपने क्वांटम "शेफ" की तुलना पारंपरिक कंप्यूटर "शेफ" (जैसे XGBoost या Random Forest) से की, तो पारंपरिक वाले अभी भी अधिक तेज़ और सटीक थे। क्वांटम कंप्यूटर आशाजनक हैं, लेकिन वे अभी पुराने तरीकों को बदलने के लिए पूरी तरह तैयार नहीं हैं।
"नॉइज़" (Noise) का आश्चर्य: उन्होंने अपने सर्किट का परीक्षण वास्तविक क्वांटम हार्डवेयर पर किया (जो शोर वाला और अपूर्ण है, जैसे एक खिड़की वाली हवादार रसोई)। आश्चर्यजनक रूप से, कुछ कार्यों के लिए, शोर ने वास्तव में मॉडल के प्रदर्शन को बेहतर बनाने में मदद की (जैसे थोड़ा सा अराजक माहौल एक शेफ को सुधार करने में मदद करता है)। लेकिन अन्य कार्यों के लिए, शोर ने चीज़ों को बदतर बना दिया।

बड़ी तस्वीर (The Big Picture)

यह पेपर महत्वपूर्ण है क्योंकि यह क्वांटम कंप्यूटिंग को जीव विज्ञान की अव्यवस्थित वास्तविकता के अनुकूल बनाता है। यह केवल क्वांटम कंप्यूटरों को तेज़ बनाने के बारे में नहीं है; यह उन्हें वास्तविक दुनिया के चिकित्सा डेटा की "असंतुलित" और "धुंधली" प्रकृति को संभालने के बारे में सिखाने के बारे में है।

हालाँकि क्वांटम कंप्यूटर अभी तक ड्रग-डिस्कवरी के लिए अंतिम उपकरण नहीं हैं, लेकिन यह नया "स्कोरिंग सिस्टम" उन्हें बेहतर चश्मे देने जैसा है, जिससे वे उन महत्वपूर्ण विवरणों को देख पाते हैं जिन्हें वे पहले मिस कर रहे थे।

यहाँ शोध पत्र "QCS-ADME: Quantum Circuit Search for Drug Property Prediction with Imbalanced Data and Regression Adaptation" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र बायोमेडिकल ड्रग प्रॉपर्टी प्रेडिक्शन (विशेष रूप से ADME कार्यों) के लिए मौजूदा क्वांटम सर्किट सर्च (QCS) फ्रेमवर्क की सीमाओं को संबोधित करता है।

अंतराल (The Gap): वर्तमान QCS विधियाँ (जैसे Elivagar) मुख्य रूप से सरल, संतुलित डेटासेट (जैसे MNIST) पर बेंचमार्क की जाती हैं। वे फार्माकोलॉजिकल डेटा में निहित दो महत्वपूर्ण जटिलताओं को हल करने में विफल रहती हैं:
1. क्लास इम्बैलेंस (Class Imbalance): ADME वर्गीकरण (classification) कार्यों में अक्सर अत्यधिक विषम पॉजिटिव-टू-नेगेटिव अनुपात (जैसे 3:1 से 6:1) होता है, जिससे मानक मेट्रिक्स बहुसंख्यक वर्गों (majority classes) का पक्ष लेते हैं और अल्पसंख्यक वर्गों (minority classes) की अनदेखी करते हैं।
2. रिग्रेशन आवश्यकताएँ (Regression Requirements): ADME में निरंतर रिग्रेशन लक्ष्य (जैसे ड्रग क्लीयरेंस दर) शामिल होते हैं, जबकि मौजूदा QCS स्कोरिंग तंत्र विविक्त (discrete) क्लास सेपरेबिलिटी पर निर्भर करते हैं, जो उन्हें निरंतर मानों (continuous values) की भविष्यवाणी करने के लिए अनुपयुक्त बनाता है।
चुनौती (The Challenge): ट्रेनिंग-फ्री QCS को हजारों संभावित सर्किटों के तीव्र मूल्यांकन की आवश्यकता होती है। इम्बैलेंस के लिए मौजूदा समाधान (जैसे Quantum-SMOTE) इस खोज प्रक्रिया के लिए बहुत अधिक कम्प्यूटेशनल रूप से महंगे हैं। एक ऐसे ट्रेनिंग-फ्री स्कोरिंग तंत्र की कमी है जो रिग्रेशन टोपोलॉजी और क्लास इम्बैलेंस दोनों को एक साथ संभाल सके।

2. कार्यप्रणाली: QCS-ADME फ्रेमवर्क (Methodology: QCS-ADME Framework)

लेखक QCS-ADME प्रस्तावित करते हैं, जो एक ऐसा फ्रेमवर्क है जो मानक QCS पाइपलाइन (Search Space $\to$ Strategy $\to$ Evaluation) को ADME कार्यों के लिए विशिष्ट संशोधनों के साथ अनुकूलित करता है।

A. वर्कफ़्लो अवलोकन (Workflow Overview)

डेटा प्रीप्रोसेसिंग: रासायनिक संरचनाओं (SMILES) को 166-बिट MACCS कीज़ में परिवर्तित किया जाता है, जिन्हें 128 बिट तक छोटा किया जाता है, और फिर एंगल एम्बेडिंग (Angle Embedding) का उपयोग करके 7-क्यूबिट क्वांटम हिल्बर्ट स्पेस में मैप किया जाता है।
सर्किट जनरेशन: संभावित सर्किट वास्तविक समय के डिवाइस कैलिब्रेशन (कोहेरेंस समय, गेट फिडेलिटी) के आधार पर हार्डवेयर-कुशल गेट्स को प्राथमिकता देने वाली एक बायस्ड रैंडम सैंपलिंग रणनीति का उपयोग करके उत्पन्न किए जाते हैं।
ट्रेनिंग-फ्री स्कोरिंग: पूर्ण प्रशिक्षण के बजाय, सर्किटों को एक मिश्रित स्कोर का उपयोग करके रैंक किया जाता है:
$\text{Score}(C) = \text{CNR}(C)^{\alpha} \times \text{RepCap}(C)$
- CNR (Clifford Noise Resilience): सर्किट संरचना के आधार पर हार्डवेयर फिडेलिटी का एक प्रॉक्सी।
- RepCap (Representational Capacity): यह मुख्य नवाचार है, जिसे इम्बैलेंस और रिग्रेशन को संभालने के लिए संशोधित किया गया है।

B. प्रमुख कार्यप्रणाली नवाचार (Key Methodological Innovations)

शोध पत्र RepCap मेट्रिक में दो विशिष्ट अनुकूलन पेश करता है:

क्लास इम्बैलेंस को संभालना (Weighted Matrix $R_w$ ):
- समस्या: मानक RepCap, क्वांटम कर्नेल मैट्रिक्स ( $R_c$ ) और एक आदर्श संदर्भ मैट्रिक्स ( $R_{ref}$ ) के बीच की दूरी को कम करता है। इम्बैलेंस्ड डेटा में, $R_{ref}$ बहुसंख्यक वर्ग के जोड़ों द्वारा हावी हो जाता है, जिससे खोज प्रक्रिया अल्पसंख्यक वर्गों की अनदेखी करती है।
- समाधान: लेखक एक डेंसिटी-अवेयर वेटिंग मैट्रिक्स $R_w$ पेश करते हैं।
  $\text{RepCap}(C) = 1 - \frac{\|R_c - R_w \otimes R_{ref}\|_2^2}{2 \cdot n_c \cdot d_c^2}$
- $R_w(i, j) = w_i \cdot w_j$ , जहाँ $w_i$ नमूना $i$ के लिए क्लास की इन्वर्स फ्रीक्वेंसी है। यह अल्पसंख्यक वर्ग के जोड़ों के योगदान को बढ़ाता है, जिससे सर्किट को कम प्रतिनिधित्व वाले वर्गों के लिए मजबूत प्रतिनिधित्व सीखने के लिए मजबूर किया जाता है।
रिग्रेशन कार्यों को संभालना (Gaussian Similarity):
- समस्या: रिग्रेशन के लिए निरंतर संबंधों को संरक्षित करने की आवश्यकता होती है, न कि केवल विविक्त क्लास सेपरेशन की।
- समाधान: संदर्भ मैट्रिक्स $R_{ref}$ को टारगेट वैल्यूज़ ( $y$ ) के आधार पर एक गॉसियन रेडियल बेसिस फंक्शन (RBF) कर्नेल का उपयोग करके पुनरपरिभाषित किया गया है:
  $R_{ref}(i, j) = \exp\left(-\frac{\|y_i - y_j\|^2}{2\sigma^2}\right)$
- यह फॉर्मूलेशन क्वांटम सर्किट को इनपुट को ऐसे क्वांटम स्टेट्स में मैप करने के लिए प्रोत्साहित करता है जो हिल्बर्ट स्पेस में करीब हों (आइसोमोर्फिक ज्योमेट्री), जिससे मेट्रिक को विविक्त मिलान (discrete matching) से निरंतर समानता (continuous similarity) में प्रभावी रूप से सामान्यीकृत किया जाता है।

3. प्रमुख योगदान (Key Contributions)

रिग्रेशन के लिए नवीन ट्रेनिंग-फ्री स्कोरिंग: गॉसियन-वेटेड सिमिलरिटी का उपयोग करके रिप्रेजेंटेशनल कैपेसिटी को विविक्त क्लासिफिकेशन से निरंतर रिग्रेशन तक सामान्यीकृत करने वाला पहला QCS मेथड, जो निरंतर टोपोलॉजी को संरक्षित करने वाले सर्किटों की खोज को सक्षम बनाता है।
इम्बैलेंस-अवेयर सर्च: $R_w$ वेटिंग मैट्रिक्स का परिचय, जो मानक QCS मेट्रिक्स में "बहुसंख्यक वर्ग पूर्वाग्रह" (majority class bias) को ठीक करता है, जिससे यह सुनिश्चित होता है कि कम्प्यूटेशनल रूप से महंगे डेटा ऑग्मेंटेशन के बिना अल्पसंख्यक वर्गों को प्राथमिकता दी जाए।
व्यापक ADME बेंचमार्किंग: 12 वास्तविक दुनिया के ADME कार्यों (8 इम्बैलेंस्ड क्लासिफिकेशन, 4 रिग्रेशन) पर QCS का अनुप्रयोग और IBM Rensselaer क्वांटम प्रोसेसर पर निष्पादन के विरुद्ध एक कठोर Sim-to-Real विश्लेषण।

4. प्रयोगात्मक परिणाम (Experimental Results)

A. टेस्ट परफॉरमेंस के साथ सहसंबंध (Correlation with Test Performance)

वर्गीकरण (Classification): संशोधित स्कोरिंग विधि ने प्री-ट्रेनिंग स्कोर और टेस्ट परफॉरमेंस के बीच मध्यम से मजबूत स्पीयरमैन सहसंबंध दिखाया (जैसे, HIA_Hou के लिए $R=0.412$ ), जो इम्बैलेंस्ड कार्यों पर बेसलाइन Elivagar विधि (जिसका सहसंबंध $R \approx 0.02$ था) से काफी बेहतर है।
रिग्रेशन (Regression): विधि ने स्कोर और टेस्ट MSE के बीच एक सुसंगत नकारात्मक सहसंबंध ( $R \in [-0.33, -0.48]$ ) प्रदर्शित किया, जो पुष्टि करता है कि उच्च स्कोर विश्वसनीय रूप से कम रिग्रेशन एरर की भविष्यवाणी करते हैं।

B. बेसलाइन्स के मुकाबले प्रदर्शन (Performance vs. Baselines)

अन्य QCS विधियों के मुकाबले: QCS-ADME द्वारा चयनित सर्किट (Top-25) अधिकांश वर्गीकरण मेट्रिक्स (Accuracy, F1, PR-AUC) में QuantumNAS और Elivagar के मुकाबले प्रतिस्पर्धी या बेहतर थे।
क्लासिकल ML के मुकाबले:
- वर्गीकरण: QML सर्किट कुछ कार्यों पर प्रतिस्पर्धी थे (जैसे, BBB_Martins के लिए F1-स्कोर 0.92 बनाम XGBoost 0.88), लेकिन PR-AUC में आम तौर पर क्लासिकल मॉडल (XGBoost, Random Forest) से पीछे रहे।
- रिग्रेशन: एक महत्वपूर्ण अंतर बना हुआ है। क्लासिकल मॉडल (जैसे SVM के लिए 0.003) ने QML (0.307) की तुलना में बहुत कम MSE प्राप्त किया, जो रिग्रेशन के लिए NISQ हार्डवेयर की वर्तमान सीमाओं को उजागर करता है।

C. सिम-टू-रियल विश्लेषण (Sim-to-Real Analysis)

नॉइज़ का प्रभाव: सिमुलेशन से वास्तविक IBM हार्डवेयर पर जाने से प्रदर्शन में गिरावट आई।
- रिग्रेशन: एक समान रूप से हानिकारक; MSE लगभग 25-37% बढ़ गया, और अस्थिरता (variance) काफी बढ़ गई।
- वर्गीकरण: सूक्ष्म प्रभाव। जबकि अधिकांश कार्यों में गिरावट आई, Bioavailability_Ma कार्य ने वास्तविक हार्डवेयर पर विपरीत सुधार (counter-intuitive improvement) दिखाया (PR-AUC 0.52 से बढ़कर 0.77 हो गया)। लेखक सुझाव देते हैं कि हार्डवेयर नॉइज़ विशिष्ट प्रॉब्लम लैंडस्केप के लिए रेगुलराइजेशन (regularization) के रूप में कार्य कर सकता है।

5. महत्व और निष्कर्ष (Significance and Conclusion)

अंतराल को पाटना: QCS-ADME सफलतापूर्वक ड्रग डिस्कवरी की विशिष्ट, जटिल आवश्यकताओं के लिए क्वांटम सर्किट सर्च को अनुकूलित करता है, जो खिलौना डेटासेट (toy datasets) से आगे बढ़कर वास्तविक दुनिया के, इम्बैलेंस्ड और रिग्रेशन-हेवी बायोमेडिकल समस्याओं तक पहुँचता है।
विश्वसनीयता: प्रस्तावित स्कोरिंग तंत्र सर्किट प्रदर्शन के लिए एक विश्वसनीय, ट्रेनिंग-फ्री प्रॉक्सी प्रदान करता है, जो क्वांटम सर्किटों को प्रशिक्षित करने की उच्च लागत को देखते हुए महत्वपूर्ण है।
भविष्य का दृष्टिकोण: हालांकि फ्रेमवर्क आशाजनक सर्किटों की पहचान करने में सफल रहा है, लेकिन क्लासिकल एल्गोरिदम के साथ प्रदर्शन का अंतर (विशेष रूप से रिग्रेशन में) एक महत्वपूर्ण चुनौती बना हुआ है। शोध पत्र हार्डवेयर नॉइज़ को एक दोधारी तलवार के रूप में रेखांकित करता है: यह रिग्रेशन के लिए एक बाधा है लेकिन वर्गीकरण में रेगुलराइजेशन के माध्यम से कभी-कभी सहायता भी कर सकता है। भविष्य का कार्य नॉइज़-अवेयर प्रूनिंग और लेबल नॉइज़ के प्रति मजबूती पर केंद्रित है।

संक्षेप में, यह शोध पत्र ड्रग डिस्कवरी के लिए क्वांटम मशीन लर्निंग को लागू करने के लिए एक मौलिक ढांचा स्थापित करता है, जो Noisy Intermediate-Scale Quantum (NISQ) उपकरणों के भीतर डेटा इम्बैलेंस और निरंतर रिग्रेशन जैसी विशिष्ट एल्गोरिथमिक चुनौतियों को हल करता है।