CovAngelo: A hybrid quantum-classical computing platform for accurate and scalable drug discovery

Het paper introduceert CovAngelo, een hybride quantum-klassiek platform dat een geavanceerd QM/QM/MM-model gebruikt voor nauwkeurige en schaalbare drugontdekking, zoals gedemonstreerd door de simulatie van de covalente binding van zanubrutinib aan Bruton's tyrosinekinase met potentiële snelheidswinsten tot 20x.

De kern

CovAngelo: De 'Super-Lupe' voor het vinden van nieuwe medicijnen

Stel je voor dat het ontwikkelen van een nieuw medicijn als het zoeken naar de perfecte sleutel is voor een zeer complexe, vergrendelde deur (het ziekteverwekkende eiwit in je lichaam). Meestal proberen wetenschappers duizenden sleutels (moleculen) te passen, maar ze doen dit vaak met een gewone lantaarn: ze zien de grove vorm, maar missen de subtiele details.

Dit nieuwe platform, CovAngelo, is als een magische, hyper-accurate lantaarn die niet alleen de vorm van de sleutel ziet, maar ook precies kan voorspellen of de tanden van de sleutel echt in het slot zullen klikken en de deur zullen openen.

Hier is hoe het werkt, stap voor stap:

1. Het Probleem: De "Grote Boze Wolf" van de Complexiteit

Medicijnen werken vaak door zich vast te hechten aan eiwitten in je lichaam. Soms moet het medicijn zelfs een chemische "knoop" maken met het eiwit (een covalente binding).

• De uitdaging: Om te weten of die knoop stevig genoeg is, moet je kijken naar de beweging van elektronen. Dit is als proberen de beweging van elke individuele zandkorrel in een woestijnstorm te volgen terwijl je tegelijkertijd de windrichting van de hele storm moet voorspellen.
• Huidige methoden: Bestaande computersimulaties zijn vaak te simpel. Ze gebruiken "regels van duim" (zoals "als het eruit ziet als een sleutel, past het wel"). Dit leidt tot veel fouten: ze zeggen soms dat een sleutel past, terwijl hij dat niet doet (een valse positief), of ze missen een goede sleutel (een valse negatief). Dit kost miljarden en jaren aan tijd.

2. De Oplossing: Een "Russisch Poppenhuis" van Computers

CovAngelo lost dit op door een slimme combinatie van verschillende technologieën, net als een Russisch poppenhuis waar elke laag een andere taak heeft:

• De Buitenste Laag (De Klassieke Computer):
  Dit is het grote, rommelige huis om de sleutel heen (het eiwit en het water). Dit wordt berekend door krachtige klassieke computers (zoals GPU's in moderne servers). Ze houden de "stabiliteit" van het huis in de gaten.
• De Middenlaag (De Quantum-In-Quantum):
  Hier wordt het slim. In plaats van de hele wereld te simuleren, kijkt CovAngelo alleen naar de "sleutel en het slot" (de reactiezone). Maar zelfs dit is te groot voor één simpele berekening. Dus, ze gebruiken een Quantum-in-Quantum methode.
  • De Analogie: Stel je voor dat je een foto van een stad maakt. Je gebruikt een super-scherpe camera voor het centrum van de stad (waar de actie is), maar een iets minder scherpe camera voor de voorsteden. CovAngelo past dit toe op elektronen: het gebruikt de allerbeste "quantum-camera" voor de belangrijkste atomen en een slimme "quantum-schatting" voor de rest.
• De Slimme "Ordehandhaver" (Quantum-Informatie):
  Dit is het meest innovatieve deel. Normaal gesproken kiezen wetenschappers handmatig welke atomen ze moeten meten. CovAngelo gebruikt quantum-informatie (een soort "elektronische sociale afstand") om automatisch te bepalen welke atomen het belangrijkst zijn.
  • De Analogie: Het is alsof je een drukke feestzaal binnenloopt. In plaats van iedereen te tellen, kijkt de software naar wie met wie praat (verstrengeling). Als twee mensen intens met elkaar praten, worden ze als één groep behandeld. Dit maakt de berekening veel sneller en nauwkeuriger.

3. De Kracht van de Toekomst: Quantum Computers

Het platform is zo ontworpen dat het nu al werkt op supercomputers, maar ook klaar is voor toekomstige quantum-computers.

• De Analogie: Stel je voor dat je een auto bouwt die nu op benzine rijdt (klassieke computers), maar die ook een speciale motor heeft die later op waterstof kan rijden (quantum computers). Zodra die nieuwe technologie beschikbaar is, kan CovAngelo de berekeningen 20 keer sneller uitvoeren.
• Ze hebben al getest met echte quantum-chips (zoals die van IBM en IonQ), maar voor nu gebruiken ze vooral krachtige simulaties om de weg te banen.

4. Het Bewijs: De Zanubrutinib Test

Om te bewijzen dat het werkt, hebben ze het getest op een bestaand kankermedicijn genaamd Zanubrutinib.

• Dit medicijn werkt door een chemische reactie (een "Michael-additie") met een specifiek eiwit (BTK) in kankercellen.
• CovAngelo kon precies berekenen hoeveel energie nodig is om die chemische knoop te maken.
• Het resultaat: Ze kregen een nauwkeurig antwoord in een fractie van de tijd die traditionele methoden nodig hebben. Ze konden zien of de reactie wel of niet zou lukken, wat cruciaal is om te voorkomen dat men jarenlang werkt aan medicijnen die in de praktijk niet werken.

5. Waarom is dit belangrijk voor jou?

• Minder Fouten: Het vermindert het aantal medicijnen dat in de klinische proeven faalt omdat ze in de computer "lekker leken" maar in het lichaam niet werkten.
• Snellere Genezing: Het versnelt het vinden van nieuwe medicijnen tegen kanker en andere ziekten.
• Kostenbesparing: Het ontwikkelen van een medicijn kost vaak meer dan 2 miljard dollar. Door fouten eerder op te sporen, wordt dit proces goedkoper en efficiënter.

Kortom: CovAngelo is een hybride platform dat de kracht van klassieke supercomputers combineert met de slimme logica van quantum-wiskunde. Het fungeert als een ultra-nauwkeurige voorspeller die wetenschappers helpt om de perfecte medicijnsleutel te vinden, zonder jarenlang te hoeven gissen.

Technische samenvatting

Titel: CovAngelo: Een hybride quantum-klassiek berekeningsplatform voor nauwkeurige en schaalbare medicijnontdekking

Auteurs: Linn Evenseth et al. (BEIT Sp. z o. o., Kraków, Polen)
Datum: April 2026

---

1. Het Probleem

De nauwkeurige berekening van bindingsenergieën, reactiebarrières en elektronische eigenschappen van proteïne-ligand (PL) complexen blijft een centrale uitdaging in de computationele chemie en computer-ondersteunde medicijnontwikkeling (CADD).

• Sub-kcal/mol nauwkeurigheid: De energieverschillen die de selectiviteit van een ligand bepalen, liggen vaak op het niveau van <1 kcal/mol. Fouten hierin kunnen leiden tot een 150-voudige afwijking in de voorspelde dissociatieconstante, wat resulteert in valse negatieven in de drug discovery pipeline.
• Beperkingen van bestaande methoden:
  • Empirische krachtvelden: Gebrek aan transferabiliteit en onvoldoende fysieke nauwkeurigheid voor covalente binding en elektronische correlatie.
  • Conventionele Quantum Chemie (QM): Methoden zoals Coupled-Cluster (CC) zijn te rekenintensief voor systemen met duizenden atomen (proteïne + oplosmiddel).
  • QM/MM beperkingen: Bestaande QM/MM-methoden gebruiken vaak een gemiddeld veld (mean-field) als referentie, wat onvoldoende is voor sterk gecorreleerde gebieden (zoals bij covalente binding).
• Covalente Inhibitoren: Het modelleren van covalente binding (bijv. Michael-additie) vereist het expliciet berekenen van reactiebarrières, wat met huidige methoden vaak te duur of onnauwkeurig is.

2. Methodologie: CovAngelo Platform

Het auteurs stellen een nieuw multischaal platform voor dat first-principles quantumchemie combineert met klassieke moleculaire mechanica en quantum computing.

A. Hiërarchische Embedding (QM/QM/MM)

Het platform gebruikt een Quantum-in-Quantum-in-Classical (QM/QM/MM) embeddingmodel:

1. Classical Environment: Het proteïne en oplosmiddel worden behandeld met klassieke moleculaire dynamica (MD) en krachtvelden.
2. Quantum Environment: Een grotere quantum-subset (residuen rondom het actieve centrum) wordt gemodelleerd met een geavanceerde, maar minder dure quantummethode.
3. Quantum Core: Het chemisch actieve centrum (waar de reactie plaatsvindt) wordt behandeld met een hoge-nauwkeurigheid quantum-solver (bijv. CCSD, DMRG).

B. ECC-DMET en Quantum-Informatie Optimalisatie

Het kerninnovatiepunt is een aangepaste Density Matrix Embedding Theory (DMET):

• Gecorreleerde Referentie: In tegenstelling tot standaard DMET (dat een mean-field referentie gebruikt), gebruikt CovAngelo een gecorreleerde referentiegolfunctie.
• Quantum-Informatie Geoptimaliseerde Orbitalen (QIO): Orbitalen worden niet handmatig gekozen op basis van chemische intuïtie, maar geoptimaliseerd met behulp van quantum-informatie-metrics (zoals entropie en wederzijdse informatie). Dit maximaliseert de scheiding tussen het fragment en de omgeving, waardoor het aantal benodigde orbitalen voor een bepaalde nauwkeurigheid drastisch wordt gereduceerd.
• ECC-DMET: Dit leidt tot een compacte cluster-Hamiltoniaan die de dominante correlatie-effecten vasthoudt.

C. Hybrid Computing Stack

Het platform is ontworpen om te werken op diverse backends:

• Classical: Multi-CPU en Multi-GPU (NVIDIA A100, H100, B200) voor solvers zoals CCSD, DMRG en sc-BW2.
• Near-term Quantum: Integratie met huidige quantum hardware (IQM, IonQ, IBM) via CUDA-Q, gebruikmakend van VQE (Variational Quantum Eigensolver) met UCCSD ansatz.
• Fault-Tolerant Quantum (FTQC): Voor de toekomst zijn algoritmen ontwikkeld voor Fouttolerante Quantum Computers. Hierbij wordt gebruik gemaakt van Symmetry-Optimized Double Factorization en Qubitized Quantum Phase Estimation (QPE). Dit reduceert de benodigde T-gate tellingen met tot een factor 5, wat de overgang naar praktische FTQC-toepassingen versnelt.

D. Workflow

De workflow begint met MD-simulaties (GROMACS) om conformationele ruimtes te sample. Vervolgens worden representatieve frames gebruikt voor QM/MM berekeningen van reactiebarrières. Het platform ondersteunt ook het bouwen van reactienetwerken in chemische metriekruimte.

3. Case Study: Zanubrutinib en Bruton's Tyrosine Kinase (BTK)

Als bewijs van concept (PoC) werd de covalente binding van zanubrutinib (een tweede generatie kankerremmer) aan Bruton's Tyrosine Kinase (BTK) gemodelleerd.

• Reactie: Michael-additie waarbij het thiol-groepje van Cys481 in BTK nucleofiel aanvalt op de acrylamide-warhead van zanubrutinib.
• Uitdaging: Het vinden van de overgangstoestand (TS) en het berekenen van de energiebarrière in een complexe omgeving met expliciet water.
• Resultaat: Het platform slaagde erin om de volledige reactie-energieprofielen te berekenen. Het bleek dat expliciete watermoleculen in de quantum-regio essentieel waren voor het vinden van een stabiele TS.

4. Belangrijkste Resultaten

• Efficiëntie: De QIO-methode (Quantum-Informatie Optimalisatie) vereiste 5 keer minder orbitalen om dezelfde nauwkeurigheid te bereiken als chemisch gemotiveerde orbitalen. Dit maakt hoge-nauwkeurigheid berekeningen (zoals CCSD) haalbaar voor grotere systemen.
• Nauwkeurigheid: De methode levert reactiebarrières op met sub-kcal/mol nauwkeurigheid, wat cruciaal is voor het onderscheiden van selectiviteit.
• Schaalbaarheid:
  • Benchmarks op GPU-clusters (H100/B200) en cloud-CPU's tonen goede schaalbaarheid.
  • Integratie met quantum hardware (tot 20 qubits, IQM Garnet) is succesvol getest.
  • Resource-schattingen voor FTQC tonen een potentiële 20-voudige snelheidswinst ten opzichte van huidige methoden.
• Validatie: De berekende barrières tonen de juiste trend voor verschillende oplosmiddelen (gasfase, water, proteïne-omgeving) en bevestigen dat elektronische correlatie en omgevingspolarisatie kritiek zijn.

5. Betekenis en Impact

• Verandering in Drug Discovery: CovAngelo adresseert de hoge vals-positieve rates in vroege drug discovery door fysisch nauwkeurige modellen te gebruiken in plaats van empirische scoring. Dit kan de kosten van klinische trials verlagen door vroege selectie van betere kandidaten.
• AI en Machine Learning: Het platform genereert hoogwaardige, fysisch consistente quantum-data. Dit is essentieel voor het trainen van de volgende generatie ML-potentialen en generatieve AI-modellen voor de novo drug design.
• Brede Toepasbaarheid: Hoewel gefocust op covalente remmers, is de methode toepasbaar op andere systemen met sterk gecorreleerde actieve centra, zoals enzymkatalyse, batterijmaterialen en fotosynthese.
• Toekomstbestendig: De architectuur is specifiek ontworpen om naadloos over te gaan van huidige hybride systemen naar toekomstige Fouttolerante Quantum Computers, waarbij de chemische modellering klassiek blijft en de zwaarste berekeningen naar de quantum hardware worden uitbesteed.

Conclusie: CovAngelo vertegenwoordigt een doorbraak in het combineren van multischaal embedding, quantum-informatie theorie en hybride computing. Het biedt een schaalbare oplossing voor het nauwkeurig modelleren van complexe biochemische reacties, wat een essentiële stap is voor de rationalisatie en versnelling van medicijnontwikkeling.