🔬 physics

Q-Score: A Quantum-Native Scoring Function for Molecular Docking

Het artikel introduceert Q-Score, een quantum-native moleculaire docking-scorefunctie die graph neural networks en Digitized-Counterdiabatic QAOA gebruikt om orbitaal donor-acceptor energieën te coderen, waarmee succesvol superieure orthogonaliteit aan klassieke methoden en exacte optimalisatie op NISQ-hardware wordt aangetoond door bindingsspecificiteit op te lossen via maximum-weight vertex clique problemen.

Oorspronkelijke auteurs: Kangyu Zheng, Yidong Zhou, Ruihao Li, Zixin Ding, Zhiding Liang, Shaohua Li

Gepubliceerd 2026-07-14

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Kangyu Zheng, Yidong Zhou, Ruihao Li, Zixin Ding, Zhiding Liang, Shaohua Li

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert een piepkleine, complexe sleutel (een medicijnmolecuul) in een specifiek slot (een eiwit in je lichaam) te passen. Decennialang hebben wetenschappers een "telmethode" gebruikt om te raden of de sleutel past. Ze tellen simpelweg hoeveel bobbels en groeven elkaar raken: "Eén waterstofbinding hier, twee van der Waals-contacten daar." Het is snel, maar het is alsof je een puzzel beoordeelt door het totaal aantal stukjes te tellen, in plaats van te controlen of de vormen daadwerkelijk in elkaar grijpen. Deze oude methode heeft een groot gebrek: hij houdt van grote sleutels. Een gigantisch molecuul met duizenden atomen zal altijd een hoge score krijgen, simpelweg omdat het meer stukjes heeft, zelfs als die stukjes niet goed passen. Het mist ook volledig de onzichtbare, kwantummechanische "magie" die moleculen aan elkaar bindt, zoals de manier waarop elektronen tussen atomen dansen om een perfecte binding te creëren.

Maak kennis met Q-Score, een nieuwe manier van denken over deze puzzel die de oude telgame vervangt door een kwantumgestuurde strategie.

Het Nieuwe Plan: Het "Orbitaal" Feestje

In plaats van alleen contacten te tellen, kijkt Q-Score naar het "feestje" dat plaatsvindt tussen het medicijn en het eiwit. Het vraagt: Welke specifieke elektronen delen een dansvloer?

De onderzoekers gebruikten een slimme AI (een Graph Neural Network) om deze onzichtbare elektronendansen, de zogenaamde orbitaalinteracties, te voorspellen. Denk aan deze interacties als de meest waardevolle VIP's op een feestje. De AI voorspelt hoeveel energie er vrijkomt wanneer een "donor"-elektron een klein geschenk geeft aan een "acceptor"-elektron. Dit is niet zomaar een ruwe schatting; het is gebaseerd op de diepe fysica van hoe atomen daadwerkelijk binden.

De Kwantum Puzzeloplosser

Zodra de AI al deze potentiële elektronendansen heeft gevonden, bouwt het een kaart die een Orbital Interaction Graph wordt genoemd.

De Nodes (Knopen): Elke potentiële dans is een stip op de kaart.
De Edges (Verbindingen): Een lijn verbindt twee stippen alleen als die twee dansen tegelijkertijd kunnen plaatsvinden zonder dat de moleculen tegen elkaar botsen.

Het doel is om de grootste, meest energieke groep stippen te vinden die allemaal met elkaar verbonden zijn. In de wiskunde heet dit het "Maximum Weight Vertex Clique" probleem. Het is alsof je probeert de grootste groep vrienden op een feestje te vinden waarbij iedereen iedereen kent, en je zoekt de groep die de meeste lol heeft (de hoogste energie).

Om dit op te lossen, gebruikte het team een speciaal kwantumalgoritme genaamd Digitized-Counterdiabatic QAOA. Stel je een kwantumcomputer voor als een supersnelle ontdekkingsreiziger die vele verschillende groepen vrienden tegelijkertijd kan uitproberen om de beste te vinden, in plaats van ze één voor één te controleren zoals een trage computer dat doet.

Wat de Experimenten Lieten Zien

Het team testte deze nieuwe methode op twee manieren:

1. De "Redocking" Test (Kan het de juiste plek vinden?)
Ze namen 11 echte medicijn-eiwitparen waarbij de exacte pasvorm al bekend was (zoals een opgeloste puzzel) en vroegen Q-Score om opnieuw de beste pasvorm te vinden.

Het Resultaat: Bij 8 van de 11 doelwitten vond de kwantumoplosser exact dezelfde perfecte pasvorm als de klassieke computer.
De Kanttekening: Wanneer ze probeerden de puzzel op te lossen met 10 qubits (de kwantumbits), werkte het goed. Maar toen ze probeerden op te schalen naar 12 qubits, raakte de kwantumcomputer in de war en maakte fouten. Het artikel suggereert dat op de huidige hardware 6 qubits een "sweet spot" is waar de machine betrouwbaar is, maar bij 10 qubits begint de machine ruis te vertonen en minder nauwkeurig te worden.

2. De "Nieuwe Moleculen" Test (Ziet het dingen die anderen missen?)
Ze genereerden 1.000 gloednieuwe, door AI ontworkte medicijnmoleculen en scoorden ze met zowel de oude methode (Vina) als Q-Score.

De Grote Verrassing: De twee methoden waren volledig ongecorreleerd. Als de oude methode zei dat een molecuul geweldig was, gaf Q-Score er niet om. De correlatie was een minieme 0,05, wat feitelijk nul is.
Waarom? De oude methode was geobsedeerd door grootte. Grotere moleculen kregen betere scores. Q-Score gaf daar niets om. In plaats daarvan gaf het volledig om de kwaliteit van de elektronendansen.
De Verrijking: Wanneer ze de beste moleculen selecteerden, vond Q-Score moleculen met sterke elektroninteracties twee keer zo vaak als bij een willekeurige kans. De oude methode vond ze met dezelfde snelheid als bij een willekeurige kans. Dit bewijst dat Q-Score daadwerkelijk kijkt naar de kwaliteit van de binding, en niet alleen naar de kwantiteit van de atomen.

De Realiteitscheck: Het Is Nog Geen Magie

Hoewel de resultaten opwindend zijn, is het artikel zeer duidelijk over de beperkingen.

Simulaties versus de Werkelijkheid: In computersimulaties was de kwantumoplosser geweldig; hij vond het perfecte antwoord 52% van de tijd en kwam voor de rest (94% nauwkeurigheid) heel dichtbij.
Echte Hardware: Toen ze dezelfde tests uitvoerden op een echte kwantumcomputer (IBM Eagle), daalden de resultaten. Voor 6-qubit puzzels kwam de echte machine in 65% van de gevallen overeen met de beste gok van de simulatie. Maar voor 10-qubit puzzels stortte die overeenkomst in tot slechts 13%. De ruis in de echte machine was te sterk om de grotere puzzels perfect op te lossen.

De Kern van het Verhaal

Q-Score is een nieuwe scorefunctie die de "groter is beter" valkuil van de traditionele medicijnontwikkeling negeert. In plaats daarvan gebruikt het een kwantumcomputer om de specifieke, hoogwaardige elektronendansen op te sporen die ervoor zorgen dat medicijnen blijven plakken.

Het artikel laat zien dat deze aanpak prachtig werkt in simulaties en chemische informatie vindt die oude methoden volledig missen. Echter, op de huidige echte kwantumcomputers is het momenteel beperkt tot kleinere puzzels (rond de 6 qubits). Om de grotere, echte wereld van medicijnontwikkeling op te lossen, hebben we betere, minder ruisgevoelige kwantummachines nodig. Het is een krachtig nieuw instrument dat een andere weg vooruit suggereert, maar het wacht nog steeds tot de hardware het niveau kan bijbenen.

Technische Samenvatting: Q-Score: Een Quantum-Native Scoringfunctie voor Moleculaire Docking

Probleemstelling

Moleculaire docking is een cruciale flessenhals in de ontdekking van geneesmiddelen, waarbij wordt gepredict hoe kleine moleculen (liganden) binden aan eiwitdoelwitten. De workflow vertrouwt zwaar op scoringfuncties om kandidaat-bindingsposities te rangschikken. De huidige state-of-the-art tools (bijv. Vina, Glide) maken gebruik van empirische scoringfuncties die paren van atomaire interacties (van der Waals, waterstofbruggen, desolvatie) bij elkaar optellen.

De auteurs identificeren twee fundamentele beperkingen in deze klassieke benaderingen:

Groottebias (Size Bias): Omdat scores additieve sommen zijn over atoomparen, accumuleren grotere moleculen hogere scores simpelweg omdat ze meer atomen hebben, ongeacht de kwaliteit van de interactie.
Gebrek aan Kwantummechanische Getrouwheid: Empirische functies slagen er niet in om stereoelektronische effecten te vangen die essentieel zijn voor bindingsspecificiteit, zoals orbital-niveau ladingsoverdracht ( $n \to \sigma^*$ , $\pi \to \pi^*$ ), hyperconjugatie en $\pi$ -stacking. Deze effecten worden vaak samengevoegd met generieke categorieën of volledig genegeerd.

Bovendien, hoewel eerder werk de docking heeft geherformuleerd als een combinatorisch optimalisatieprobleem (Maximum-Weight Vertex Clique Problem, MWVCP), vertrouwden eerdere formuleringen op handmatige farmacofoor-annotaties en grofmazige lookup-tabellen, wat de chemische resolutie en automatisering beperkte.

Methodologie: Het Q-Score Framework

Het paper introduceert Q-Score, een hybride AI-kwantumframework dat empirische sommen vervangt door kwantumchemisch geïnformeerde orbitaalinteractie-energieën, opgelost via kwantumoptimalisatie. De pijplijn bestaat uit vier stadia:

1. Extractie van de Bindingsplaats

Om rekening te houden met de qubit-beperkingen van huidige Noisy Intermediate-Scale Quantum (NISQ) apparaten, extraheert het systeem een bindingsplaats $B$ uit het eiwit-ligandcomplex met behulp van een afstandscutoff ( $d_{cut} = 5.0$ Å). Dit reduceert het systeem tot 100–250 atomen terwijl de essentiële interactieomgeving behouden blijft.

2. Voorspelling van Orbitaalinteractie (AI-fase)

In plaats van handmatige annotatie gebruikt het framework een Graph Neural Network (GNN) genaamd SIMG* (Stereoelectronics-Infused Molecular Graphs).

Input: 3D-coördinaten en connectiviteit van het complex.
Mechanisme: SIMG* voorspelt Natural Bond Orbital (NBO) interacties en hun tweede-orde perturbatie-energieën, $E^{(2)}$ .
Output: Een continu, op fysica gebaseerd energielandschap dat de donor-acceptor stabilisatie kwantificeert (bijv. een vrij elektronenpaar naar een antibindend orbitaal).
Aggregatie: Orbitaal-niveau interacties worden geaggregeerd in gewogen atoompaar-ankers, $W(a_L, a_P)$ , door de absolute waarden van $E^{(2)}$ op te tellen voor alle orbitaalparen tussen een specifiek ligandatoom en een eiwitatoom.

3. Constructie van de Orbitaalinteractie-graaf (OIG)

De geaggregeerde ankers vormen een ongerichte gewogen graaf $G=(V, E, w)$ :

Knopen ( $V$ ): Geselecteerde atoompaar-ankers. Een strategie voor selectie van diverse knopen zorgt voor uniciteit (geen atoom komt in meerdere knopen voor) en filtert interacties op lange afstand ( $d_{max} = 5.0$ Å).
Gewichten ( $w$ ): De geaggregeerde interactie-energie $W(a_L, a_P)$ .
Randen ( $E$ ): Verbinden knopen die geometrisch compatibel zijn. Twee knopen zijn verbonden als de Euclidische afstand tussen hun ligandatomen overeenkomt met de afstand tussen hun respectieve eiwitatomen binnen een tolerantie $\tau$ (rigid-body consistentie).

4. Kwantumoptimalisatie (DC-QAOA)

Het docking-probleem wordt in kaart gebracht als het Maximum-Weight Vertex Clique Problem (MWVCP): het vinden van de subset van onderling compatibele knopen met de hoogste totale gewicht.

Formulering: Het beperkte MWVCP wordt omgezet in een Quadratic Unconstrained Binary Optimization (QUBO) probleem door een strafterm $P$ toe te voegen voor schendingen van de restricties.
Solver: De auteurs gebruiken Digitized-Counterdiabatic QAOA (DC-QAOA).
- In tegenstelling tot standaard QAOA bevat DC-QAOA een counterdiabatic drive (extra single-qubit rotaties) om transities weg van de doeltoestand te onderdrukken.
- Dit maakt hoogwaardige oplossingen mogelijk bij lagere circuitdieptes, wat cruciaal is voor NISQ-hardware.
- Het circuit wisselt af tussen Cost Unitaries (die de Hamiltoniaan coderen), Mixer Unitaries ( $R_X$ ) en Counterdiabatic Unitaries ( $R_Y$ ).
Output: De optimale clique definieert de Q-Score (som van gewichten) en levert de anker-set voor pose-reconstructie via het Kabsch-algoritme.

Belangrijkste Resultaten

1. Redocking Validatie (11 Doelwitten)

De auteurs testten DC-QAOA op 11 eiwit-ligand co-kristalstructuren.

Exacte Herstel: Bij 10 qubits en 3 lagen herstelde DC-QAOA het exacte klassieke optimum voor 8 van de 11 doelwitten.
Approximatie Ratio (AR): De gemiddelde AR over de configuraties was hoog, waarbij 10q/3L de beste balans bood.
Pose Accuraatheid: Gereconstrueerde poses bereikten een all-atom RMSD van 3.34–3.45 Å, met 100% van de ligandatomen binnen 5 Å van de kristalstructuur.
Penaliteit Sensitiviteit: De studie merkte op dat de strafparameter $P$ instantie-afhankelijk is; een waarde van $P=6$ werkte voor de meeste gevallen, maar $P=10$ was nodig voor specifieke moeilijke doelwitten, hoewel dit de prestaties op anderen verslechterde.

2. Scoring Vergelijking (1000 AI-gegenereerde Moleculen)

Q-Score werd vergeleken met de klassieke Vina scoringfunctie op 1000 moleculen gegenereerd door een 3D generatief model (Pocket2Mol) over 10 doelwitten.

Orthogonaliteit: Q-Score en Vina zijn statistisch niet gecorreleerd (Gemiddelde Spearman $\rho = 0.05 \pm 0.04$ ). Ze komen overeen op minder dan 12–28% van de top-25 selecties.
Orbitaal Selectiviteit:
- Vina correleert sterk met moleculaire grootte (gewicht, aantal zware atomen) en vertoont geen correlatie met de kwaliteit van de orbitalen.
- Q-Score vertoont bijna nul correlatie met moleculaire grootte, maar een zeer sterke correlatie met de kwaliteit van de orbitaalinteractie ( $\rho = 0.90$ met gemiddelde $E^{(2)}$ ).
Enrichment: Q-Score verrijkt voor moleculen met een hoge orbitaalenergie twee keer zo snel als een willekeurige selectie (Interaction Quality Enrichment Factor $\approx 1.96$ ), terwijl Vina geen verrijking vertoont ( $\approx 0.93$ ).

3. Hardware Executie (IBM Eagle)

De auteurs voerden 1.000 circuits uit op de 127-qubit IBM Eagle r3 processor.

6-Qubit Instanties: De hardware kwam overeen met de meest waarschijnlijke bitstring van de simulator in 65% van de runs, met een gemiddelde AR van 0.72.
10-Qubit Instanties: De prestaties daalden aanzienlijk door ruis; de match rate viel naar 13%, en de succeswaarschijnlijkheid daalde naar 0.08.
Conclusie: Dit stelt een concrete schaalbaarheid grens vast voor ongemitigeerde NISQ-executie, wat aangeeft dat foutenmitigatie vereist is om voorbij 6 qubits te schalen op de huidige hardware.

4. Computationele Kosten

Simulatie: Klassieke exacte solvers lossen de MWVCP triviaal op bij 10 qubits, maar schalen exponentieel voor grotere grafen (0.1 ms bij 10 nodes versus 102 s bij 250 nodes). QAOA-parameters schalen polynomiaal.
Hardware: De getranspileerde circuitdiepte groeit van ~90 (6q) naar ~566 (10q), wat direct correleert met de geobserveerde ruisgap.

Betekenis en Claims

Het paper claimt dat Q-Score een paradigmaverschuiving vertegenwoordigt in moleculaire docking scoring door:

Integratie van Kwantumchemie: Het is de eerste scoringfunctie die expliciet orbitaal-niveau donor-acceptor energieën (NBO $E^{(2)}$ ) codeert en optimaliseert, in plaats van empirische paren van sommen.
Eliminatie van Groottebias: Door te focussen op de kwaliteit van onderling compatibele interacties in plaats van de kwantiteit van atomen, vermijdt Q-Score de systematische bias tegen kleinere, hoog-affiene moleculen die in klassieke scoring voorkomt.
Orthogonale Informatie: Het vangt chemische informatie (stereoelektronische effecten) die fundamenteel ongerelateerd is aan klassieke docking scores, wat een complementair filter biedt voor drug discovery pipelines.
NISQ Haalbaarheid: Het werk demonstreert dat DC-QAOA combinatorische docking-problemen kan oplossen op huidige hardware, waarbij succesvol optimale oplossingen worden teruggevonden voor kleine tot matige instanties (tot 10 qubits in simulatie, 6 qubits op hardware), terwijl de specifieke ruisbeperkingen van huidige processoren worden geïdentificeerd.

De auteurs blijven bescheiden over de hardwareresultaten en erkennen dat huidige NISQ-apparaten door ruis beperkt worden voor 10-qubit instanties, en dat toekomstig werk zich moet richten op foutenmitigatie en adaptieve penalty-scheduling om een praktische kwantumvoorsprong te realiseren.