⚛️ quantum physics

The Quantum Ensemble Variational Optimization Algorithm: Applications to Molecular Inverse Design

이 논문은 근미래 및 초기 결함 허용 양자 컴퓨팅을 활용하여 분자 역설계의 차원의 저주를 효율적으로 극복하는 방법인 양자 앙상블 변분 최적화(QEVO) 알고리즘을 소개하며, 이는 항암 특성을 가진 약물 유사 분자를 식별하는 데 성공적으로 적용됨으로써 입증되었습니다.

원저자: Francesco Calcagno, Delmar G. A. Cabral, Ivan Rivalta, Victor S. Batista

게시일 2026-07-28

📖 3 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Francesco Calcagno, Delmar G. A. Cabral, Ivan Rivalta, Victor S. Batista

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신이 완벽하고 새로운 요리를 발명하려는 숙련된 셰프라고 상상해 보십시오. 당신에게는 식재료가 가득한 팬트리가 있지만, 그 재료들을 조합할 수 있는 방법의 수는 너무나 방대해서 모든 가능성을 맛보는 데 우주의 나이보다 더 긴 시간이 걸릴 것입니다. 이것은 새로운 분자를 설계하려는 화학자들이 매일 겪는 고충입니다. 그들은 질병을 치료하거나 더 나은 재료를 만들 수 있는 특정 구조를 찾아내야 하지만, 가능한 모든 분자의 '화학적 공간'은 너무 거대하여 기존의 컴퓨터들은 그 엄청난 조합의 수에 압도되어 길을 잃고 맙니다. 이것은 '차원의 저주'라고 알려져 있습니다.

이를 해결하기 위해 과학자들은 양자 컴퓨터에 주목하고 있습니다. 일반적인 컴퓨터가 비트(켜지거나 꺼지는 스위치)를 사용하는 것과 달리, 양자 컴퓨터는 '큐비트'를 사용합니다. 중첩이라는 기묘한 양자 역학적 기술 덕분에, 큐비트는 켜져 있거나, 꺼져 있거나, 혹은 동시에 두 상태 모두에 있을 수 있습니다. 이를 통해 양자 컴퓨터는 수많은 가능성을 동시에 탐색할 수 있는데, 이는 마치 한 번의 맛보기로 천 가지의 서로 다른 레시피를 맛볼 수 있는 셰프와 같습니다. 하지만 현재의 양자 컴퓨터는 규모가 작고 오류에 취약하므로, 과학자들은 노이즈에 빠지지 않고 양자 컴퓨터를 사용할 수 있는 영리한 방법들을 찾아내야 합니다.

여기서 '양자 앙상블 변분 최적화(QEVO)'라는 새로운 방법이 등장합니다. QEVO를 단순히 한 번에 하나의 요리를 맛보는 셰프가 아니라, 잠재적인 분자들의 오케스트라를 이끄는 지휘자로 생각해 보십시오. 모든 레시피의 완벽한 악보를 하나하나 계산하는 대신, 양자 컴퓨터는 '중첩' 상태를 생성합니다. 즉, 많은 다양한 분자 구조가 동시에 존재하는 마법 같은 구름을 만드는 것입니다. 그다음 알고리즘은 이 구름에서 샘플을 추출하여 집단의 평균적인 성능을 확인합니다. 만약 집단의 성과가 좋지 않다면, 알고리즘은 '지휘봉'(양자 설정)을 미세하게 조정하여 구름이 더 나은 후보군 쪽으로 이동하도록 유도합니다. 이는 모든 짚단을 일일이 살펴보지 않고도 건초더미 속에서 바늘을 찾는 영리하고 반복적인 방법입니다.

프란체스코 칼카뇨(Francesco Calcagno)와 그의 팀이 발표한 이 논문은 QEVO 방법을 소개하며, 이를 신약 설계 문제, 특히 암을 퇴치할 수 있는 분자를 찾는 데 테스트했습니다. 그들은 컴퓨터 시뮬레이션을 통해 알고리즘이 물에 대한 용해도나 암 관련 단백질인 JAK2에 대한 결합력과 같은 특정하고 바람직한 특성을 가진 분자를 찾아낼 수 있는지 확인했습니다.

이 시뮬레이션 결과는 상당히 유망합니다. 분자가 지방 대비 물에 얼마나 잘 녹는지 나타내는 척도인 'plogP' 값을 최소화하는 테스트에서, QEVло 알고리즘은 전체 가능한 고유 분자의 약 6%만을 탐색하고도 최적의 해답을 찾아냈습니다. 이는 아주 작은 짚단 더미만 살펴보고도 건초더미 속에서 최고의 바늘을 찾아낸 것과 같았습니다. 알고리즘은 무작위적인 분자들이 뒤섞인 혼돈 상태에서 고품질의 후보군으로 집중된 그룹으로 점진적으로 '정제'해 나가는 방식으로 작동했습니다.

연구팀은 더 어려운 문제도 다루었습니다. 바로 건강한 단백질인 LCK를 실수로 건드리지 않으면서 특정 암 단백질(JAK2)을 표적으로 하는 분자를 설계하는 것입니다. 이것은 집 안의 다른 모든 자물쇠는 열지 않으면서 오직 특정 자물쇠 하나에만 맞는 열쇠를 찾는 것과 같습니다. 알고로리즘을 자유롭게 실행했을 때 좋은 후보들을 찾아내기는 했지만, 완벽하지는 않았습니다. 그러나 기존 약물인 룩솔리티닙(ruxolitinib)과 유사한 구조로 탐색을 시작하도록 알고리즘에 힌트를 주었을 때, 결과는 크게 개선되었습니다. 이 '편향된(biased)' 탐색은 암 표적 단백질과 건강한 단백질 사이를 훨씬 더 잘 구별해내는 새로운 분자를 찾아냈으며, 암 표적에 대해 2.0 kcal/mol의 결합 에너지 차이를 보여주었습니다.

저자들은 이러한 결과가 실험실에서의 물리적 실험이 아닌 컴퓨터 시뮬레이션에서 나온 것임을 강조합니다. 그들은 '얕은(shallow)' 양자 회로를 사용했는데, 이는 방대한 양의 큐비트를 요구하지 않음을 의미하며, 현재 우리가 보유하고 있거나 곧 갖게 될 양자 컴퓨터에 적합한 방식입니다. 이 방법이 고품질의 분자 후보를 성공적으로 생성하고 복잡한 화학 공간을 효율적으로 탐색하기는 했지만, 이 논문이 새로운 치료제를 발견했다고 주장하는 것은 아닙니다. 대신, QEVO가 거대한 인공지능 모델을 훈련시키거나 완벽한 양자 하드웨어를 기다릴 필요 없이, 분자 설계의 막대한 복잡성을 다룰 수 있는 실용적인 도구로서 과학자들이 더 나은 약물을 더 빠르게 설계하도록 도울 수 있는 강력한 새로운 도구임을 시사합니다.

기술 요약: 분자 역설계(Molecular Inverse Design)를 위한 양자 앙상블 변분 최적화 알고리즘

문제 정의
맞춤형 특성을 가진 분자를 설계하는 것(역설계)은 분자 구조와 특성 사이의 복잡하고 직관적이지 않은 관계, 그리고 화학적 공간의 조합 폭발 문제라는 근본적인 과제에 직면해 있습니다. 전수 조사나 고처리량 스크리닝과 같은 전통적인 "브루트 포스(brute-force)" 전략은 분자 크기가 증가함에 따라 "차원의 저주"로 인해 실행 불가능해집니다. 머신러닝(ML) 방법론이 생성을 가속화하기 위해 등장했지만, 이들은 대규모 학습 데이터셋을 필요로 하며 화학적 공간을 철저하게 탐색한다는 보장이 없습니다. 더욱이, 많은 관련 최적화 문제(예: 용해도, 독성, 합성 가능성)는 양자 상태의 기댓값 정식화(expectation value formulation)를 자연스럽게 따르지 않으므로, 표준 변분 양자 알고리즘(VQA)을 직접 적용하는 데 한계가 있습니다.

방법론: QEVO 알고리즘
저자들은 근미래 및 초기 결함 허용 양자 플랫폼을 위해 설계된 하이브리드 양자-고전 프레임워크인 양자 앙상블 변분 최적화(Quantum Ensemble Variational Optimization, QEVO) 알고리즘을 소개합니다. 기존의 VQA가 해밀토니안의 기댓값을 최소화하는 것과 달리, QEVO는 양자 상태로부터 샘플링된 분포로부터 유도된 관심 속성의 앙상블 평균을 최적화합니다.

인코딩 및 매핑: 분자 구조는 SELFIES 표현법을 사용하여 인코딩되며, 이는 이진 문자열(Pauli strings)의 정규 직교 기저로 일대일 대응(bijectively)됩니다. 각 문자열 $|m_i\rangle$ 는 정의된 속성 값 $p_i$ 를 갖는 특정 분자를 나타냅니다.
변분 안사츠(Variational Ansatz): 매개변수화된 양자 회로 $U(\vec{\theta})$ $U (θ)$ 는 중첩 상태 $|M(\vec{\theta})\rangle = \sum_i \omega_i(\vec{\theta})|m_i\rangle$ $∣ M (θ)⟩ = \sum_{i} ω_{i} (θ) ∣ m_{i} ⟩$ 를 준비합니다. 저자들은 두 가지 특정 안사츠를 사용합니다:
1. RealAmplitudes (RA): 일정한 깊이를 가진 표준 얽힘 회로입니다.
2. Bologna-Yale (BY): 홀로그래픽하고 큐비트 효율적인 구현 방식으로, 두 개의 물리적 큐비트를 반복적으로 측정하고 리셋하여 고차원 상태를 시뮬레이션함으로써, 제한된 큐비트 수를 가진 하드웨어에서 대규모 조합 공간을 최적화할 수 있게 합니다.
최적화 루프: 알고리즘은 계산 기저(computational basis)에서 양자 상태를 측정하여 분자 앙상블을 샘플링합니다. 고전 컴퓨터는 이 문자열을 디코딩하고, 속성 값 $p_i$ 를 계산하며, 앙상블 평균 $p_M(\vec{\theta}) = \sum_i \omega_i(\vec{\theta})p_i$ 를 산출합니다. 변분 매개변수 $\vec{\theta}$ 는 손실 함수 $L(\vec{\theta}) = |p_M(\vec{\theta}) - p_0| + \epsilon(\vec{\theta})$ 를 최소화하도록 업데이트됩니다. 여기서 $p_0$ 는 목표 속성 값이며, $\epsilon(\vec{\theta})$ 는 앙상블의 순도를 높이기 위한 정규화 항입니다.

주요 결과
저자들은 세 가지 시나리오에 걸쳐 QEVO를 평가했습니다:

plogP 최소화 벤치마킹: 다루기 쉬운 화학 공간(23개 요소 사전로부터의 6~9 ASCII 토큰)에서, QEVO는 최소 예측 옥탄올-물 분배 계수(plogP)를 갖는 분자들을 성공적으로 식별했습니다.
- 알고리즘은 전체 참조 공간의 유일한 분자 중 약 6%만을 샘플링한 후에도 전역 최적해(n-nonane)로 수렴했습니다.
- RA 안사츠는 BY 안사츠보다 원시 성능 면에서 우수했으나(227차원 공간의 top-10 성공률에서 93% 대 53%), BY 안사츠는 상당한 자원 효율성을 보여주며 2개의 물리적 큐비트로 27-큐비트 문제를 해결했습니다.
- 탐색 공간의 크기가 커질수록 성능이 향상되었으며, 알고리즘은 최적해를 찾는 데 필요한 상대적 공간 비율이 더 작아졌습니다.
약물 유사 분자 설계: 약물 유사성(QED, 합성 가능성 및 참조 물질과의 유사성)을 목표로 하는 더 복잡한 설계 작업에서, 최적화 지형(landscape)이 더 거칠다는 것이 발견되었습니다.
- 최종 양자 상태는 단일 순수 상태(전역 최적해)로 붕괴되지 않고, 대신 차선책 후보들로 구성된 고순도 앙상블로 수렴했습니다.
- 전역 최적해를 찾지는 못했지만, QEVO는 최상위 순위 솔루션의 60%를 최적화 과정 동안 샘플링하여 복잡한 지형을 탐색하고 고품질 앙상블을 생성하는 능력을 입증했습니다.
선택적 JAK2 억제제 설계: 저자들은 구조적으로 유사한 키나아제인 LCK에 대한 높은 선택성이 요구되는 JAK2 억제제의 역설계에 QEVO를 적용했습니다.
- 편향되지 않은 생성(Unbiased Generation): 초기 실행 결과는 좋은 약물 유사 특성을 가졌으나 ZINC22 데이터베이스 베이스라인에 비해 선택성이 낮았습니다.
- 편향된 생성(Biased Generation): 안사츠를 알려진 약물인 ruxolitinib의 인코딩에 정렬시키고 손실 함수에 유사성 항을 추가함으로써, 알고리즘은 개선된 선택성을 가진 후보 물질들을 성공적으로 생성했습니다. 가장 우수한 편향된 후보는 LCK 대비 JAK2에 유리한 2.0 kcal/mol의 결합 에너지 차이를 보였으며, ruxolitinib과 31%의 구조적 유사성을 공유하며 힌지 영역(LEU86/LEU89)과 핵심 수소 결합을 형성했습니다.

의의 및 주장
본 논문은 QEVO가 대규모 조합 문제(combinatorial problems)를 해결하기 위한 새로운 계산 패러다임을 제시한다고 주장합니다. 주요 의의는 다음과 같습니다:

VQAs의 일반화: Q-VAs를 목적 함수를 직접적인 기댓값으로 계산할 수 없는 문제로 확장하여, 샘플링된 분포로부터의 앙상블 평균에 의존하도록 합니다.
자원 효율성: 알고리즘은 적은 양자 자원(얕은 회로, 일정한 깊이 또는 일정한 큐비트 안사츠)으로 효과적으로 작동하여, 현재 및 근미래의 하드웨어 제약 조건에 적합합니다.
생성 능력: QEVO는 변분 양자 최적화와 생성적 분자 설계를 연결하여, 신경망 학습에 의존하지 않고도 유망한 후보 물질(예: 항암제)을 신속하게 식별할 수 있게 합니다.
유연성: 초기화 전략(균등 vs 편향)을 통해 화학적 공간 탐색을 유연하게 제어할 수 있어, 특정 구조적 모티프나 특성을 타겟팅할 수 있습니다.

저자들은 이 접근 방식이 모든 문제에 대해 전수 조사를 대체할 수는 없지만, 특히 자원이 제한된 양자 컴퓨팅 환경에서 분자 역설계의 조합적 복잡성을 탐색하기 위한 실질적인 해결책을 제공한다고 결론지었습니다.

유사한 논문