综述：量子智能在药物发现中的应用：量子机器学习推动研究进展

这篇综述系统阐述了量子机器学习（QML）如何突破传统药物研发瓶颈，通过量子计算（QC）的叠加态和纠缠特性，显著提升分子属性预测、对接模拟和de novo设计的精度与效率，为AI驱动的药物发现（AI-DD）提供新范式。

　　

QC：a paradigm shift

量子计算（QC）利用量子比特（qubit）的叠加态特性，突破了经典计算机的二进制限制。在药物发现领域，这种特性使得QC能并行模拟分子量子态，例如精确计算苯环电子云分布或蛋白质-配体结合能^7,8。量子退火算法已用于优化分子构象搜索，将传统需数月的计算缩短至数小时。

Revolutionizing drug discovery with QML

量子机器学习（QML）通过混合量子-经典算法（如量子支持向量机QSVM）重构了药物研发流程：

1. 1.

   分子属性预测：量子神经网络（QNN）处理高维化学空间数据，预测ADMET性质误差降低30%¹⁹；

2. 2.

   对接模拟：变分量子本征求解器（VQE）模拟激酶靶点结合口袋，精度达0.1?分辨率；

3. 3.

   de novo设计：生成对抗网络（GAN）与量子采样结合，可在10⁶级分子库中筛选类药化合物。

Future directions

当前挑战包括量子比特相干时间短（仅微秒级）和错误率较高（>10^-3）。但量子云计算平台如IBM Q已实现20+量子比特的分子动力学模拟，未来或可建模全长GPCR蛋白的构象变化。

Concluding remarks

QML正从理论走向实践：

• •

  在COVID-19药物筛选中，D-Wave系统仅用48小时完成传统需2周的刺突蛋白虚拟筛选；

• •

  罗氏公司已建立量子-经典混合平台，加速肿瘤靶向药开发。随着纠错码和低温控制技术的发展，QML或将在10年内成为药物发现的标准工具。