Invited: Drug Discovery Approaches using Quantum Machine Learning | IEEE Conference Publication | IEEE Xplore

前置知识

读后感

这是一篇描述性文字较多的文章。主要利用不同的QML模型进行药物研发，即优秀化合物生成的工作，并与经典模型作对比。由于神经网络这一方面目前了解较少，因此不能理解实验中各个细节其背后原理，也难以知晓其代码实现，还需继续学习。

摘要

传统的药物研发需要的时间和金钱消耗都很大。深层的生成和鉴别模型在药物研发中有广泛应用。文中提出了一套量子机器学习技术：结合生成对抗网络（GAN）、卷积神经网络（CNN）和变分自动编码器（VAE），分别生成小药物分子、分类蛋白质中的结合口袋和生成大药物分子。

简介

探究了量子生成模型和判别模型的优势

  • 可在指数级别增长的希尔伯特空间中发掘更多化学上的可能性。

  • 给定一个充满分子的场景，量子系统固有的概率特性有助于产生更多样化和新颖的分子。

提出三种新型的量子机器学习技术用于药物研发

  • 用于学习分子数据集模式并生成小分子类药物的混合量子生成对抗网络。

  • 用于蛋白质口袋分类的量子分类器。

  • 通过生成分子概率云来筛选分子数据集的量子变分自编码器。

背景

药物研发问题

  • 从临床研究得到的数据库中挑选一些化合物，这些化合物经大量蛋白质测定具有生物学活性。

  • 药学家进一步选择较优秀的化合物，最大化化合物的结合亲和性和可合成性。

  • 在临床表现上有希望的化合物会进一步在细胞和动物体内进行测试，最终进行人体药物实验。

药物研发的传统方法

通过定量测量化合物与受体的结合性，筛选对受体活性较高的化合物。

给定一个分子和它结合的受体，描述相似度可以用来在其他化合物的分子库中筛选可能对受体有活性的其他化合物。

量子计算和量子机器学习

  • 量子比特是量子计算机的组成部分，类似于经典比特;然而，量子位可以处于叠加状态，即同时是0和1的组合。
  • 量子门可调节量子比特的状态，从而进行计算。
  • 目前没有证明能够说明量子机器学习能够比相应的经典模型有更高效的性能，但一些著作提出量子机器学习模型具有很强的表达能力。

将量子机器学习用于药物研发

带有混合发生器的量子GAN（QGAN-HG）

  • 在经典MolGAN的基础上，提出了一种量子比特高效的量子GAN，采用混合发生器和经典鉴别器来高效地学习分子分布
  • QGAN-HG由一个参数化电路和一个经典的深度神经网络组成，前者用于获得量子比特大小维度的特征向量，后者用于输出原子向量和表示药物分子图形的连接矩阵。
  • 实验比较了MolGAN和QGAN-HG在中度和高度简化架构下的性能。原始MolGAN和QGAN-HG迭代量约为2500次。量子电路只涉及15个门参数，说明变分量子电路具有很强的表达能力。