量子药物发现的未来

自1869 年第一个合成药物水合氯醛被发现以来，制药公司一直在激烈竞争以寻找下一个重磅药物。但是当前的药物发现方法结合了现代计算、人工智能 (AI) 和机器学习 (ML)，通常受到经典计算技术能力的限制。

许多公司和研究人员越来越多地将量子计算 (QC, quantum computing) 和量子机器学习 (QML, quantum machine learning) 用于药物发现。这些技术可以打开通向极其快速、准确和高效研发的下一个前沿领域的大门，涉及大量数据对于传统方法来说，数据量太大，无法有效处理。

介绍

每个人对药物都具有个体差异。基因差异意味着药物分子与我们的身体具有独特的相互作用，从而导致有效性和副作用之间的差异。平均而言，药物开发需要12年时间和超过10亿英镑来开发每种新药。此外，对于实验室中每确定10到20种药物，只有一种药物会到达患者手中，而其他药物则会在此过程中失败。一旦发现潜在的候选药物，将对其进行开发，以最大限度地提高整个人群的益处并最大限度地减少副作用。

但是，如果计算机可以加快药物发现过程，使药物更有可能有效并产生更少的副作用呢？如果它甚至可以为一个人量身定制药物，以最大限度地提高疗效并最大限度地减少反应，那会怎么样？

使用标准的“经典”计算机可以实现这种计算机辅助的药物发现，但这些设备很快就会被庞大的计算需求所淹没，即使是解决相对较小的问题也是如此。幸运的是，一项新的研究正在克服这一限制。量子计算机已经开始为治疗方法的发现做出贡献，在接下来的几年里，人们可能会进入个性化医疗时代。

当前药物开发的问题

2020 年，FDA 批准了 53 种药物，是过去 20 年中批准药物数量最高的之一。虽然这是个好消息，但这种药物开发的成本呈指数级增长，类似于被称为 摩尔定律的逆摩尔定律，而且近年来明显缺乏所谓的“重磅炸弹药物”。此外，生物制剂——由生物体制成或含有生物体成分的药物——自 2014 年以来占全球药物净支出增长的 93%，其卓越的治疗潜力使它们的商业价值是小分子的 22 倍。不幸的是，生物制剂还包含数千倍的原子，这使得用经典计算机进行模拟变得非常困难或不可能。

量子计算

量子计算机利用叠加、纠缠和干涉来解决某些问题(包括化学和机器学习), 远远快于经典计算机。物理学家理查德·费曼 (Richard Feynman) 于 1981 年首次提出建议，现在至少有 100 台可操作的量子计算机由Honeywell、IBM 和谷歌等公司制造，以及由初创公司和学术机构开发的。

今天的量子计算机被称为“嘈杂的中级量子”(NISQ)，但计算能力仍然有限。尽管如此，他们还是能够在涉及分子模拟、波函数优化和机器学习的药物发现的第一阶段提供帮助。即使模拟精度的小幅提高也可以在临床试验之前就对可行药物进行更准确的预测，从而降低时间和成本。

分子模拟

模拟分子相互作用非常困难。已经开发了许多计算工具，但在精度和速度之间仍然存在权衡：力场很快，但只能提供最广泛的答案，而精确解的比例因子为O(n!)，n是电子数。这增加得如此之快，以至于当前的超级计算机只能精确模拟大约 20 个电子。通常采用密度泛函理论和 Hartree-Fock 中的O(n³)折衷方案，但即使这样也严重限制了可以准确模拟的原子数量，并且远不足以模拟生物制剂的化学精度。

为了说明这个限制，考虑一个有 24 个原子的咖啡因分子。使用传统方法将其模拟到化学精度将需要一台地球大小 1-10% 的计算机：理论上可行，但几乎不可行。模拟更大的青霉素分子将要求进一步扩展到可观测宇宙大小的计算机。相比之下，量子计算的要求非常适中：咖啡因至少需要 160 个量子位，青霉素至少需要 286 个量子位。

考虑以下说明有机合成重要性的例子。可以通过增加计算能力解决的一个关键化学问题是模拟固氮酶的铁钼活性位点。这种酶在环境条件下将二氮显着转化为两个氨分子。工业 Haber-Bosch 催化剂需要高温和高压，因此是能源密集型的，而依赖钼的固氮酶的活性位点，铁钼辅因子 (FeMoco)，可以在室温和标准压力下分裂二氮三键。理论工具的改进大大降低了执行此类模拟所需的要求：据估计，在 2017 年，这将需要 2 亿个物理量子位，并在数月内以 10⁻³ 的错误率计算。到 2020 年，这已经减少到 400 万个物理量子位，仅用 4 天时间计算。

量子软硬件进展

量子化学模拟在过去几年中取得了非凡的进展。2017 年，IBM 使用 6 个量子位对 H₂、LiH 和 BeH₂ 分子进行建模。从那时起，分子的大小和复杂性大大增加，而所需的量子位数量却减少了。还开发了几种新的理论工具来执行模拟：VQE 和类似的变分方法已经通过更复杂的状态准备方法和测量减少技术得到增强。

目前有几十种量子机器学习算法提供二次或指数加速。其中，三个与药物设计特别相关：监督学习（例如蛋白质结合亲和力）、无监督学习（例如基因组聚类）和生成建模（例如从头药物设计）。对于蛋白质结构预测，Hamiltonian的数量在氨基酸数量N 中呈指数级增长；最近的量子计算进展将这种规模缩小到O(N⁴). 此外，基于门的量子计算机现在正在解决此类问题，而不是传统上用于此类优化研究的退火。

参考资料

https://medium.com/cambridge-quantum-computing/the-future-of-quantum-drug-discovery-909aa5140bff