🧬 biology

Resource-Efficient Bio-Molecular Docking on a NISQ-era Digital Quantum Computer

本文提出并实验验证了一种用于分子对接的资源高效型量子-经典混合框架，该框架将问题重新表述为最大顶点加权团任务，利用一种具有证明过的纯积态优化器的变分全基底编码策略，并在 IBM 量子计算机上展示了其可行性，以推进基于结构的药物设计。

原作者： Tianqi Chen, Adrian M. Mak, Jianguo Li, Jian Feng Kong, Chandra Verma, Sebastian Maurer-Stroh

发布于 2026-08-21

📖 1 分钟阅读☕ 轻松阅读

原作者： Tianqi Chen, Adrian M. Mak, Jianguo Li, Jian Feng Kong, Chandra Verma, Sebastian Maurer-Stroh

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。阅读完整免责声明

在发现新药的竞赛中，科学家们经常面临着极其复杂的谜题。他们必须找到一种完美的方法，将一个被称为“配体”的小型药物分子嵌入到大型蛋白质靶点的特定口袋中，这就像是寻找那把能转动锁芯的正解钥匙。这个过程被称为“分子对接”，对于设计能够阻断疾病的药物至关重要，但由于分子具有柔性，可以扭曲成无数种形状，这使得这项工作异常困难。这些分子结合在一起的可能方式增长速度极快，以至于即使是世界上最强大的超级计算机，也难以在不消耗过多时间或能量的情况下检查所有选项。为了使这项任务变得可控，研究人员学会了将这种物理上的分子拟合问题转化为一种连接点的数学游戏。在这个游戏中，最佳的拟合对应于寻找最具价值的连接点集群，而这正是计算机难以快速解决的经典难题。

一组研究人员现在展示了一种利用最新一代量子计算机来应对这一问题的新方法。这些机器目前仍处于早期开发阶段，且对噪声非常敏感，尚不足以运行大规模药物研发所需的复杂算法。然而，该团队展示了通过使用一种巧妙的信息压缩技巧，他们可以在真实的量子处理器上解决特定版本的对接谜题。他们成功识别了两种不同药物-蛋白质对的最佳结合构型，证明了这些脆弱、处于早期阶段的机器可以协助完成筛选最佳分子相互作用的艰巨工作。

研究人员首先将药物与蛋白质对接的物理问题转化为一个图（即由点和线组成的网络）。每个点代表药物上的一个特征与蛋白质上的一个特征（例如氢键或疏水相互作用）之间潜在的接触。线则连接了可以同时存在而不产生冲突的点，从而形成了一张所有有效组合的地图。目标是找到一组彼此相连且总价值最高的点，这代表了最强且最稳定的结合。这是一个经典的数学问题，被称为“最大带权顶点团问题”。虽然经典计算机可以解决这个问题，但随着分子变得更大、更具柔性，它们往往需要检查海量的可能性，从而导致效率低下。

为了减轻量子计算机的任务难度，该团队开发了一种将更多信息封装进更少物理组件的方法。标准的量子计算机使用被称为“量子比特”的微小单元来存储数据，但目前的这些机器拥有的量子比特数量非常有限。研究人员意识到，单个量子比特不仅仅是一个简单的“开/关”开关；它是一个更复杂的物体，可以用空间中的三个不同方向来描述。通过利用这三个方向，他们可以将三份独立的信息编码到单个量子比特上，而不是通常的一份。这使得他们能够显著缩小问题的规模，将一个大型图谱放入一个现有的硬件能够实际处理的更小规模的量子电路中。

该团队还引入了一种智能的计算机搜索启动方式。他们没有从随机猜测开始（这往往会导致计算机陷入漫长且徒劳的过程），而是利用经典计算机模拟了一个自然引导系统趋向最佳解的过程。他们利用这种经典模拟的结果来设定量子计算机的初始状态。这种“热启动”意味着量子处理器在开始工作时就已经接近答案，从而只需要极少的步骤即可找到最终解。这种结合了“在更少量子比特中封装更多数据”与“在更好位置开始搜索”的方法，使他们能够在由 IBM 制造的真实量子设备上运行整个过程。

当他们将这种方法应用于涉及生物素（biotin）和苯甲酰胺（benzamidine）的两种特定药物-蛋白质对进行测试时，结果令人振奋。即便是在动力有限且存在噪声的量子设备上，量子计算机也成功识别出了与完美的、无噪声的模拟结果相同的最佳拟合解。研究人员发现，他们的这种方法不仅能够恢复正确答案，而且比使用较少方向的传统方法具有更高的可靠性和成功率。他们观察到，即使是在浅层电路下，该方法依然表现良好，这意味着它不需要那些在当前机器上容易出错的深层操作。

这项研究并非声称量子计算机已经取代了用于药物设计的经典方法，也不暗示这种特定技术解决了寻找新药的整个问题。相反，它表明量子计算机可以作为一个专门的工具，用于处理流程中某个特定的、困难的步骤：即从庞大的可能性列表中选择最佳的一组兼容相互作用。研究人员证明，通过使用全基底编码策略和智能初始化技术，他们可以在当今并不完美的硬件上解决这些组合问题。这项工作提供了一个具体的演示，证明了资源高效型的量子算法可以在真实设备上执行，为利用这些机器辅助生物研究中繁重的计算工作提供了一条潜在的路径。

技术摘要：在 NISQ 时代数字量子计算机上的资源高效型生物分子对接

1. 问题陈述

分子对接是药物发现中的一项关键计算任务，旨在识别配体与靶点受体蛋白之间的最佳结合构象。尽管存在经典方法，但由于可能的结合配置存在组合爆炸，对接大型且具有柔性的分子仍然具有极高的计算强度。

本文通过将分子对接重新表述为兼容图上的最大顶点加权团问题 (Maximum Vertex-Weighted Clique Problem, MVWCP) 来解决这一问题。在此表述中：

顶点代表配体与蛋白质药效团之间的潜在接触。
边代表接触之间的几何兼容性。
权重反映相互作用强度。
目标是找到具有最大总权重的团（即一组相互兼容的接触）。

这种映射将连续的对接问题转化为离散的组合优化问题，具体而言是一个二次无约束二进制优化 (QUBO) 问题，它可以被映射到 Ising 哈密顿量。然而，在噪声中等规模量子 (NISQ) 设备上求解大规模 MVWCP 实例面临挑战，原因在于有限的量子比特数、电路深度限制以及噪声。标准的编码方案（每个二进制变量分配一个量子比特）会迅速耗尽生物相关图规模所需的可用资源。

2. 方法论：热启动全基底编码 (Warm-Start Full-Basis Encoding, W-S FBE)

作者提出了一种利用热启动全基底编码 (W-S FBE) 策略的混合量子-经典框架，以克服资源限制。

A. 全基底编码 (Full-Basis Encoding, FBE)

与传统的为每个二进制变量分配一个量子比特的方法不同，FBE 利用量子比特布洛赫向量（Bloch vector）的三个独立分量（ $\langle \sigma_x \rangle, \langle \sigma_y \rangle, \langle \sigma_z \rangle$ ）来对每个量子比特编码最多三个经典变量。

映射： 参数化量子电路准备一个状态 $|\psi(\theta)\rangle$ 。测量所有三个基底下的单量子比特期望值。
松弛： 这些期望值通过双曲正切激活函数 ( $\tanh$ ) 进行处理，生成代表二进制决策变量的连续“松弛”变量。
约束： 布洛赫球约束 $(\langle \sigma_x \rangle)^2 + (\langle \sigma_y \rangle)^2 + (\langle \sigma_z \rangle)^2 \leq 1$ 本质上耦合了同一量子比特上的变量，起到了正则化机制的作用。
量子比特效率： 一个 $N$ 变量的问题仅需要 $M = \lceil N/3 \rceil$ 个量子比特，显著降低了硬件需求。

B. 理论依据

论文提供了一个严格证明，即 FBE 目标函数的全局极小值总可以被选择为一个纯积态 (pure product state)。这一发现至关重要，因为它意味着不需要纠缠即可表示最优解，从而证明了在该特定编码中使用浅层、酉变换（unitary）变分电路的合理性，无需复杂的纠缠层。

C. 热启动初始化 (Warm-Start Initialization)

为了解决变分量子算法 (VQA) 从随机初始状态开始优化困难的问题，作者采用了受虚时演化 (Imaginary Time Evolution, ITE) 和 qDRIFT 协议启发的热启动策略。

经典预计算： 作者并未在量子硬件上运行非幺正的虚时演化，而是在经典端使用矩阵乘积态 (Matrix Product States, MPS) 模拟了几步随机漂移 ITE。
状态准备： 由此产生的经典状态被用于初始化量子电路“热启动层”（一组旋转门 $R_x, R_y, R_z$ ）的参数。
益处： 这将变分电路置于与基态有高重叠的参数空间区域，从而加速收敛并减少所需的优化步骤。

D. 优化循环

使用经典优化器（Adam 算法）最小化成本函数（源自 QUBO/MVWCP 公式），该优化器根据测得的期望值更新量子电路的参数。该过程迭代直至收敛，之后将连续变量舍入为二进制值以恢复“团”。

3. 关键结果

作者在两个源自 PDB 结构的生物相关蛋白质-配体对接实例上验证了 W-S FBE 方法：

1stp： 链霉亲和素-生物素复合物（ $N=18$ 个顶点）。
9aw2： 胰蛋白酶-苯甲酰胺复合物（ $N=14$ 个顶点）。

主要发现：

收敛性： 与随机初始化相比，热启动策略显著加速了收敛。原始（连续）和舍入（离散）成本函数均迅速下降，并在低能配置下趋于稳定。
硬件执行： 优化的电路在 IBM Heron R2 QPU (ibm_kingston) 上执行。硬件结果成功恢复了与无噪声经典模拟及基准解相同的最优团结构（顶点选择），证明了其对门噪声和读取误差的鲁棒性。
与 ZX 基底对比： 与标准的 ZX 基底编码（仅使用 $\sigma_x$ $σ_{x}$ 和 $\sigma_z$ $σ_{z}$ ）相比，W-S FBE 实现了：
- 更高的成功率（找到最优团的概率）对于两个实例均成立。
- 更快地收敛到基准团权重，且方差更小。
- 在保持或提高性能的同时，实现了显著的资源节省（更少的量子比特）。
超参数敏感性： 该方法在各种惩罚值和电路深度范围内表现出鲁棒性。虽然对于较大的实例 ( $N=18$ )，更深的电路能提升性能，但对于较小的实例 ( $N=14$ )，浅层电路已足够，这表明该方法能很好地适应问题规模。

4. 意义与主张

本文将自身的贡献定位为一种资源高效、可实验实现的编码策略，而非对优化后的经典方法实现“量子优越性”的演示。

资源权衡： 主要意义在于能够通过几何约束的松弛来交换量子比特数量。通过在每个量子比特上编码多个变量，该方法使得 MVWCP 式的对接在量子比特数量成为瓶颈的当前 NISQ 设备上变得可行。
实际效用： 该方法针对的是在更大的经典对接流水线中选择相互兼容的相互作用集的特定组合子问题。它并不取代经典流水线，而是提供了一个紧凑的量子辅助求解器，用于处理离散选择阶段。
理论洞察： 关于最优解可以用积态表示的证明，为使用浅层、酉变换电路提供了严格的基础，避免了使用易受噪声影响的深层纠缠电路。
可行性： 在真实 IBM 硬件上的成功执行证实了压缩编码策略可以在当前的超导量子处理器上产生准确结果，为计算生物学领域的高级编码技术铺平了道路。

作者总结道，虽然目前的研究侧重于可以通过经典验证的中等规模图，但该框架建立了一条随着量子硬件改进而扩展到更大、更复杂对接问题的路径。未来的工作将侧重于更大的图、柔性对接场景以及与噪声感知优化技术的集成。