The Quantum Ensemble Variational Optimization Algorithm: Applications to Molecular Inverse Design
本文介绍了量子系综变分优化（QEVO）算法，这是一种利用近期的及早期容错量子计算来高效克服分子逆向设计中维度灾难的方法，其通过在识别具有抗癌特性的类药物分子方面的成功应用得到了验证。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你是一位试图发明完美新菜品的顶级大厨。你的储藏室里堆满了各种食材，但组合这些食材的方式如此之多，以至于想要品尝每一种可能性，所需的时间将比宇宙的年龄还要长。这正是化学家在设计新分子时面临的日常困境。他们需要寻找能够治愈疾病或创造更好材料的特定结构，但所有可能分子的“化学空间”过于庞大，以至于传统的计算机会在海量的组合面前迷失方向，被其规模所压倒。这被称为“维度诅咒”。
为了解决这个问题，科学家们正转向量子计算机。不同于使用比特（即只能是开或关的开关）的普通计算机，量子计算机使用“量子比特”（qubits）。得益于一种被称为“叠加”的奇妙量子特性，一个量子比特可以同时处于开启、关闭以及两者兼有的状态。这使得它们能够同时探索许多种可能性，就像一位大厨能在吃下一口食物的同时，品尝上一千种不同的食谱一样。然而，目前的量子计算机规模仍然较小且容易出错，因此科学家需要巧妙的方法来使用它们，以免陷入噪声的泥潭。
这正是名为“量子系综变分优化”（QEVO）的新方法发挥作用的地方。不要把 QEVO 看作是一个一次只品尝一道菜的大厨，而要把它看作是一位指挥着潜在分子管弦乐队的指挥家。该算法不是尝试计算每一份食谱的完美得分，而是创建了一个“叠加”态——一个许多不同分子结构同时存在的神奇云团。随后，算法从这个云团中进行采样，检查这一组分子的平均表现。如果这一组的表现不佳，算法就会调整其“指挥棒”（量子设置），以使云团向更好的候选者偏移。这是一种聪明的迭代方式，旨在无需查看每一根稻草的情况下，就能在干草堆中找到那根针。
Francesco Calcagno 及其团队的研究论文介绍了这种 QEVO 方法，并将其应用于设计新药的挑战，特别是寻找能够对抗癌症的分子。他们在计算机上模拟了这个过程，以观察它是否能找到具有特定理想特性的分子，例如在水中的溶解度，或与一种名为 JAK2 的癌症相关蛋白的结合紧密度。
这些模拟结果非常令人鼓舞。在一项测试中，他们试图寻找具有最低“plogP”值（衡量分子在脂肪与水之间溶解能力的指标）的分子，QVO 算法在仅探索了总共可能存在的独特分子数量的约 6% 后，就找到了最优解。这就像是通过只看一小堆稻草，就找到了干草堆里最好的那根针。该算法通过逐渐“纯化”其可能性云团来运作，从混乱的随机分子混合物转变为一组高质量的候选者。
团队还解决了一个更难的问题：设计一种既能针对特定癌症蛋白（JAK2），又不会误伤类似的健康蛋白（LCK）的分子。这就像是寻找一把能打开特定锁具，但不会打开家里其他锁具的钥匙。当他们让算法自由运行阶段时，虽然找到了一些不错的候选者，但并不完美。然而，当他们给算法一个提示——即从一种类似于现有药物芦西替尼（ruxolitinib）的结构开始搜索时，结果有了显著改善。这种“有偏向”的搜索发现了一个新的分子，它在区分癌症蛋白和健康蛋白方面表现得更好，其对癌症目标的结合能差异达到了 2.0 kcal/mol。
作者强调，这些结果来自计算机模拟，而非实验室中的物理实验。他们使用了一种“浅层”量子电路，这意味着它不需要大量的量子比特，非常适合我们现在或很快就能拥有的量子计算机。虽然该方法成功生成了高质量的分子候选者，并高效地在复杂的化学空间中进行导航，但论文并未声称发现了新的疗法。相反，它表明 QEVO 是一个强大的新工具，可以帮助科学家更快地设计出更好的药物，提供了一种实用的方法，可以在无需训练庞大人工智能模型或等待完美量子硬件的情况下，应对分子设计的巨大复杂性。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。