🔬 physics

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

该论文介绍了 Q-Score，一种利用图神经网络和数字化反绝热 QAOA 来编码轨道供体-受体能量的量子原生分子对接评分函数，成功证明了其相对于经典方法的卓越正交性，并通过通过解决最大权重顶点团问题来完成在 NISQ 硬件上的精确优化，从而解决结合特异性问题。

原作者： Kangyu Zheng, Yidong Zhou, Ruihao Li, Zixin Ding, Zhiding Liang, Shaohua Li

发布于 2026-07-14

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Kangyu Zheng, Yidong Zhou, Ruihao Li, Zixin Ding, Zhiding Liang, Shaohua Li

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，你正试图将一把微小且复杂的钥匙（药物分子）放入一个特定的锁（你体内的蛋白质）中。几十年来，科学家们一直使用一种“计数”方法来猜测这把钥匙是否匹配。他们只是简单地累加彼此接触的凸起和凹槽数量：“这里有一个氢键，那里有两个范德华力接触。”这种方法很快，但就像是通过计算拼图的总片数来判断拼图，而不是检查形状是否真的契合。这种旧方法有一个巨大的缺陷：它偏爱“大钥匙”。一个拥有数千个原子的巨型分子总能获得高分，仅仅因为它拥有更多的“零件”，即使这些零件并不契合。它还完全忽略了让分子粘附在一起的那些看不见的、量子层面的“魔力”，比如电子如何在原子之间跳舞以创造出完美的化学键。

Q-Score 应运而生，这是一种全新的思考方式，它将这种“计数游戏”转变为一种由量子驱动的策略。

新的行动计划：“轨道”派对

Q-Score 不再仅仅是计数接触，它观察的是药物与蛋白质之间正在发生的“派对”。它会问道：哪些特定的电子正在共享同一个舞池？

研究人员使用了一种聪明的 AI（图神经网络）来预测这些看不见的电子舞蹈，即轨道相互作用。你可以把这些想象成派对上最珍贵的 VIP。AI 会预测当一个“供体”电子给予一个“受体”电子一份小礼物时，会释放出多少能量。这不仅仅是一个粗略的猜测；它是基于原子实际如何结合的深层物理学原理。

量子拼图解法器

一旦 AI 找到了所有这些潜在的电子舞蹈，它就会构建一张被称为轨道相互作用图的地图。

节点（Nodes）： 每一个潜在的舞蹈都是地图上的一个点。
边（Edges）： 只有当两个舞蹈可以在不发生分子碰撞的情况下同时发生时，一条线才会连接两个点。

目标是找到一组最大的、能量最高的、且彼此相互连接的点。在数学术语中，这就是“最大权重顶点团”（Maximum Weight Vertex Clique）问题。这就像是在试图寻找派对上最大的朋友圈，在这个圈子里每个人都互相认识，而且你想要的是那个玩得最嗨（能量最高）的群体。

为了解决这个问题，团队使用了一种特殊的量子算法，称为 Digitized-Counterdiabatic QAOA。想象一下，量子计算机就像一个超级快速的探险家，它可以同时尝试许多不同的朋友圈，从而找到最好的那一个，而不是像慢速计算机那样一个接一个地检查。

实验结果显示了什么

团队通过两种方式测试了这种新方法：

1. “重对接”测试（它能找到正确的位点吗？）
他们选取了 11 对已知的真实药物-蛋白质对（就像已经解开的拼图），并要求 Q-Score 再次找到最佳匹配。

结果： 在 11 个目标中的 8 个上，量子求解器找到了与经典计算机完全相同的完美匹配。
问题所在： 当他们尝试用 10 个量子比特（qubits） 来解决这个拼图时，效果很好。但当他们尝试将其扩展到 12 个量子比特 时，量子计算机开始变得混乱并产生错误。论文指出，在目前的硬件上，6 个量子比特 是一个可靠的平衡点，但 10 个量子比特 开始变得充满噪声且准确性下降。

2. “新分子”测试（它能看到别人忽略的东西吗？）
他们生成了 1,000 个全新的、由 AI 设计的药物分子，并使用旧方法（Vina）和 Q-Score 对其进行评分。

巨大的惊喜： 两种方法之间是完全不相关的。如果旧方法说一个分子很棒，Q-Score 并不在意。两者的相关性仅为 0.05，这基本上等于零。
为什么？ 旧方法痴迷于尺寸。分子越大，得分越高。而 Q-Score 完全不在意尺寸，它完全关注电子舞蹈的质量。
富集度（Enrichment）： 当他们挑选出顶尖分子时，Q-Score 发现具有强电子相互作用的分子的频率是随机概率的两倍；而旧方法发现这些分子的速率与随机概率相同。这证明了 Q-Score 实际上是在观察化学键的“质量”，而不仅仅是原子的“数量”。

现实检验：它还不是“魔法”

虽然结果令人兴奋，但论文非常明确地指出了局限性。

模拟 vs. 现实： 在计算机模拟中，量子求解器的表现惊人，它在 52% 的情况下找到了完美答案，并在其余情况下非常接近（94% 的准确率）。
真实硬件： 当他们在真实的量子计算机（IBM Eagle）上运行相同的测试时，结果下降了。对于 6 量子比特 的谜题，真实机器匹配模拟器最佳预测的成功率为 65%。但对于 10 量子比特 的谜题，这个匹配率骤降至 13%。真实机器中的噪声太强，无法完美解决更大的谜题。

总结

Q-Score 是一种全新的评分函数，它避开了传统药物研发中“越大越好”的陷阱。相反，它利用量子计算机去搜寻那些让药物能够牢固结合的高质量电子舞蹈。

论文表明，这种方法在模拟中表现出色，并且能发现传统方法完全忽略的化学信息。然而，在当今真实的量子计算机上，它目前仅限于处理较小的谜题（约 6 个量子比特）。要解决更大规模的现实世界药物难题，我们需要更好的、噪声更小的量子机器。这是一个强大的新工具，它指明了一条不同的道路，但它仍在等待硬件的跟进。

技术摘要：Q-Score：一种用于分子对接的量子原生评分函数

问题陈述

分子对接是药物发现中的关键瓶颈，其任务是预测小分子（配体）如何与蛋白质靶点结合。该工作流高度依赖于评分函数来对候选结合构象进行排序。目前最先进的工具（如 Vina、Glide）利用的是经验评分函数，通过对原子对进行成对相互作用（范德华力、氢键、去溶剂化）的加和求和。

作者指出了这些经典方法存在的两个根本局限性：

尺寸偏差（Size Bias）： 由于评分是基于原子对的加和总和，较大的分子仅仅因为拥有更多的原子就会累积更高的分数，而忽略了相互作用的质量。
缺乏量子力学保真度（Lack of Quantum-Mechanical Fidelity）： 经验函数无法捕捉对于结合特异性至关重要的立体电子效应，例如轨道层面的电荷转移（ $n \to \sigma^*$ 、 $\pi \to \pi^*$ ）、超共轭以及 $\pi$ -堆叠效应。这些效应往往被混淆为通用的类别或被完全忽略。

此外，尽管之前的研究已将对接重新表述为一个组合优化问题（最大权重顶点团问题，MWVCP），但先前的表述依赖于人工药效团注释和粗粒度的查找表，限制了化学分辨率和自动化程度。

方法论：Q-Score 框架

本文引入了 Q-Score，这是一个混合 AI-量子框架，它用基于量子化学的轨道相互作用能取代了经验求和，并通过量子优化进行求解。该流水线由四个阶段组成：

1. 结合位点提取

为了适应当前含噪声中等规模量子（NISQ）设备的量子比特约束，系统使用距离截断（ $d_{cut} = 5.0$ Å）从蛋白质-配体复合物中提取结合位点 $B$ 。这将在保留核心相互作用环境的同时，将系统缩减至 100–250 个原子。

2. 轨道相互作用预测（AI 阶段）

该框架没有采用人工注释，而是采用了名为 SIMG*（注入立体电子学的分子图）的图神经网络（GNN）。

输入： 复合物的 3D 坐标和连接性。
机制： SIMG* 预测**自然键轨道（NBO）**相互作用及其二阶微扰能 $E^{(2)}$ 。
输出： 一个物理基础性的连续能量景观，量化供体-受体稳定化过程（例如，孤对电子到反键轨道的转移）。
聚合： 轨道层面的相互作用通过对特定配体原子与蛋白质原子之间的所有轨道对的 $E^{(2)}$ 绝对值求和，聚合为加权原子对锚点 $W(a_L, a_P)$ 。

3. 轨道相互作用图（OIG）构建

聚合后的锚点构成了一个无向加权图 $G=(V, E, w)$ ：

节点（ $V$ ）： 被选中的原子对锚点。采用贪婪多样性选择策略以确保唯一性（没有任何原子出现在多个节点中），并过滤掉长程相互作用（ $d_{max} = 5.0$ Å）。
权重（ $w$ ）： 聚合后的相互作用能 $W(a_L, a_P)$ 。
边（ $E$ ）： 连接在几何上兼容的节点。如果两个节点之间的配体原子间距与对应蛋白质原子间的距离在容差 $\tau$ 内一致（刚体一致性），则认为这两个节点是连接的。

4. 量子优化（DC-QAOA）

对接问题被映射为最大权重顶点团问题（MWVCP）：寻找具有最高总权重的相互兼容的节点子集。

公式化： 通过添加用于约束违反的惩罚项 $P$ ，将受约束的 MWVCP 转换为二次无约束二进制优化（QUBO）问题。
求解器： 作者使用了数字化反绝热 QAOA（DC-QAOA）。
- 与标准 QAOA 不同，DC-QAOA 包含了反绝热驱动（额外的单量子比特旋转）以抑制向目标态以外的跃迁。
- 这使得系统能够在较低的电路深度下获得高质量解，这对于 NISQ 硬件至关重要。
- 电路在代价算符（编码哈密顿量）、混合算符（ $R_X$ ）和反绝热算符（ $R_Y$ ）之间交替进行。
输出： 最优团定义了 Q-Score（权重之和），并提供用于通过 Kabsch 算法进行构象重建的锚点集。

关键结果

1. 重对接验证（11 个靶点）

作者在 11 个蛋白质-配体共晶结构上测试了 DC-QAOA。

精确恢复： 在 10 个量子比特和 3 层深度下，DC-QAOA 为 11 个靶点中的 8 个 恢复了精确的经典最优解。
近似比（AR）： 所有配置下的平均 AR 均较高，其中 10q/3L 提供了最佳的权衡。
构象准确度： 重建的构象实现了 3.34–3.45 Å 的全原子 RMSD，且 100% 的配体原子位于晶体结构的 5 Å 范围内。
惩罚敏感性： 研究指出惩罚参数 $P$ 是实例相关的；对于大多数情况， $P=6$ 即可奏效，但对于特定的困难靶点需要 $P=10$ ，尽管这会降低其他目标的性能。

2. 评分对比（1000 个 AI 生成分子）

将 Q-Score 与经典的 Vina 评分函数在 10 个靶点上生成的 1000 个分子（由 3D 生成模型 Pocket2Mol 生成）进行了对比。

正交性： Q-Score 与 Vina 是统计不相关的（平均 Spearman $\rho = 0.05 \pm 0.04$ ）。它们在排名前 25 的选择中仅有不到 12–28% 的一致性。
尺寸相关性：
- Vina 与分子尺寸（重量、重原子计数）强相关，且与轨道质量无关。
- Q-Score 与分子尺寸几乎零相关，但与轨道相互作用质量表现出极强的相关性（与平均 $E^{(2)}$ 的 $\rho = 0.90$ ）。
富集能力： Q-Score 对高轨道能分子的富集率是随机选择的两倍（相互作用质量富集因子 $\approx 1.96$ ），而 Vina 则没有表现出富集效应（ $\approx 0.93$ ）。

3. 硬件执行（IBM Eagle）

作者在 127 量子比特的 IBM Eagle r3 处理器上执行了 1,000 个电路。

6 量子比特实例： 硬件在 65% 的运行中匹配了模拟器的最可能比特串，平均 AR 为 0.72。
10 量子比特实例： 由于噪声影响，性能显著下降；匹配率降至 13%，成功概率降至 0.08。
结论： 这确立了一个明确的未缓解 NISQ 执行的扩展边界，表明要在目前的硬件上扩展到 6 个量子比特以上需要误差缓解技术。

4. 计算成本

模拟： 经典精确求解器在处理 10 个节点的 MWVCP 时非常简单（0.1 ms），但对于 250 个节点的图，计算时间会呈指数级增长（102 s）。QAOA 参数随规模呈多项式级增长。
硬件： 转译后的电路深度从 ~90 (6q) 增加到 ~566 (10q)，这与观察到的噪声差距直接相关。

意义与主张

本文声称 Q-Score 代表了分子对接评分范式的转变，原因如下：

整合量子化学： 它是第一个显式编码并优化轨道层面供体-受体能量（NBO $E^{(2)}$ ）而非经验对求和的评分函数。
消除尺寸偏差： 通过关注相互兼容相互作用的质量而非原子的数量，Q-Score 避免了经典评分中存在的对小分子高亲和力分子的系统性偏见。
正交信息： 它捕获了与经典对接评分在本质上不相关的化学信息（立体电子效应），为药物发现流程提供了互补的过滤器。
NISQ 可行性： 该工作证明了 DC-QAOA 可以在当前硬件上解决组合对接问题，成功恢复了中小规模实例（模拟中高达 10 个量子比特，硬件上为 6 个量子比特）的最优解，同时识别了当前处理器的特定噪声限制。

作者对硬件结果保持谨慎，承认目前的 NISQ 设备在 10 量子比特实例方面受限于噪声，并指出未来的工作必须专注于误差缓解和自适应惩罚调度，以实现实际的量子优势。