基于反馈的量子控制用于安全协同药物组合设计

《Journal of Computational Science》：Feedback-based quantum control for safe and synergistic drug combination design

　　

药物-药物相互作用（DDI）在联合治疗的安全性和有效性中起着重要作用。尽管存在大型DDI数据库，但选择能够平衡安全性、治疗效益和药物数量的多药组合仍然是一个具有挑战性的组合问题。在这项工作中，研究人员提出了一种基于量子控制的框架，用于DDI感知的药物组合优化，其中已知的有害和协同相互作用被编码为伊辛哈密顿量中的惩罚项和奖励项。优化过程采用基于反馈的量子算法FALQON，这是一种无梯度的变分方法。研究人员考虑了两种临床驱动的任务：最大安全子集（MSS）问题和协同约束优化（SCO）问题。在小型数据集上的数值模拟，包括基于Drugs.com和SYNERGxDB的示例，展示了该方法的可行性及其识别有意义药物组合的能力，包括COVID-19案例研究。这些结果作为将量子优化方法应用于DDI感知问题的原理验证和测试平台。

**论文解读：基于反馈量子控制的药物组合设计框架**

**研究背景与意义**
药物-药物相互作用（DDI）是现代医学中导致副作用、治疗失败和住院的常见原因，尤其在多药联合治疗（如癌症、慢性病和感染性疾病）中问题更为突出。随着药物数量增加，潜在相互作用组合呈指数增长，一次性危险组合即可造成严重风险。另一方面，许多有效治疗依赖正向药物相互作用，如HIV、癌症化疗和抗生素方案中的联合疗法。COVID-19疫情期间，抗病毒、抗炎和支持性药物的组合策略同样需要权衡协同效益与有害相互作用。尽管已有大量DDI预测数据库，但从已知相互作用数据中安全、高效地选择多药方案仍是一个NP-hard的组合优化问题。传统穷举搜索在药物数量较大时不可行，启发式方法也难以保证最优性。为此，研究人员引入基于反馈的量子控制算法（FALQON）及其虚时扩展（ITE-FALQON），旨在利用量子计算的并行性处理组合爆炸，为生物医学决策支持提供新途径。该论文发表在《Journal of Computational Science》。

**关键技术方法**
研究人员采用反馈量子控制算法FALQON及其虚时扩展ITE-FALQON，将DDI数据编码为伊辛哈密顿量。具体地，将每种药物表示为二进制变量（0/1），有害和协同相互作用分别赋予权重，构成目标函数。FALQON通过反馈机制实时更新控制场，无需经典优化循环，实现能量单调下降；ITE-FALQON则引入非酉虚时演化，指数级抑制激发态成分，加速收敛。所有数值模拟使用Qiskit状态向量后端，药物数量由量子比特数决定。数据来源包括Drugs.com和SYNERGxDB数据库，以及利物浦COVID-19药物相互作用数据库。样本队列包括6药网络（利托那韦、依维莫司、卡巴他赛、二甲双胍、厄洛替尼、拓扑替康）和9药COVID-19候选药物（瑞德西韦、莫努匹韦、法匹拉韦、利巴韦林、奈玛特韦/利托那韦、洛匹那韦/利托那韦、硝唑尼特、羟氯喹、地塞米松）。

**研究结果**

**2.1 最大安全子集（MSS）问题**
通过编码MSS哈密顿量，FALQON和ITE-FALQON在6药网络上进行优化。结果显示，FALQON可靠地识别出无有害相互作用的最大子集，但最终能量略高于精确基态；而ITE-FALQON通过虚时滤波迅速达到精确基态能量。测量概率分布表明，两种算法均将概率集中在两个简并最优解（111000和110100），对应药物子集{利托那韦、依维莫司、卡巴他赛}和{利托那韦、依维莫司、厄洛替尼}，两者均排除了所有有害相互作用。惩罚系数α增大可扩大谱隙，加速收敛，但不改变最优解身份。

**2.2 协同约束优化（SCO）问题**
在SCO模型中，加入协同奖励和组合大小约束（K=3或4）。ITE-FALQON在固定γ=2.5、μ=5下快速收敛。对于K=3，概率几乎完全集中在单一比特串，对应最优组合{利托那韦、依维莫司、卡巴他赛}（含协同边）；对于K=4，得到另一最优组合{利托那韦、依维莫司、卡巴他赛、拓扑替康}。结果体现了大小约束对能量和选择的影响，且子集内部满足无有害相互作用、优先包含协同对的要求。

**5. COVID-19案例研究**
对9药COVID-19候选药物应用MSS和SCO模型。MSS结果中，当惩罚系数α小于临界值α_c=3.3(3)时，最优解{瑞德西韦、利巴韦林、奈玛特韦/利托那韦、硝唑尼特、莫努匹韦、法匹拉韦、地塞米松}仍包含有害对（如PAX-DEX）；当α>α_c（如α=5），最优解{瑞德西韦、利巴韦林、硝唑尼特、莫努匹韦、法匹拉韦、地塞米松}完全无有害相互作用。SCO结果中，固定K=3，不同γ下能量演化几乎相同，最优解为{瑞德西韦、利巴韦林、莫努匹韦}，该组合在体外和动物模型中显示出协同抗SARS-CoV-2活性。

**6. 与经典穷举法比较**
对比经典穷举搜索（评估所有2ⁿ种配置）与FALQON模拟。穷举法保证精确解但运行时间指数增长（log(t_classical)≈0.412n?12.809）；FALQON模拟在测试范围内增长更慢（log(t_quantum)≈0.132n?7.520），尽管仍为指数，但指数更小，表明效率优势。

**讨论与结论**
讨论部分指出，FALQON和ITE-FALQON在小规模DDI网络中识别出有意义的协同子集。真实DDI数据库（如DrugBank、SYNERGxDB）具有稀疏性和模块化结构，可降低哈密顿量项数，提升实用性。FALQON的反馈更新避免了经典优化循环，减少贫瘠高原和深电路问题，适合MSS和SCO等约束问题。未来工作将测试更大数据集并纳入更真实的药理学约束。

结论部分翻译：研究人员提出了一种基于量子控制的DDI感知药物组合优化框架，使用FALQON和ITE-FALQON算法。通过将临床记录的药物相互作用数据编码为伊辛哈密顿量，该方法以降低的计算开销识别出安全且协同的多药组合。本研究有两个主要贡献：首先，引入MSS和SCO公式，将有害和协同相互作用整合到统一且临床可解释的框架中；其次，用基于反馈的量子控制方法求解这些模型，为现有经典和变分方法提供了替代方案。这些结果凸显了反馈量子控制算法作为约束组合优化工具在生物医学决策支持和理性多药治疗设计中的潜力。