量子科技中心_量科网

基于结构的虚拟筛选（SBVS）是通过评估蛋白质-配体复合物的结合自由能（ΔGbind）来识别潜在药物候选分子的核心计算策略。由于化学库规模庞大（常超过数十亿种化合物），且需考虑蛋白质与配体构象变化及配体平移旋转等因素，此类任务在经典硬件上计算量极大。该研究提出了一种量子卷积神经网络（QCNN）框架来高效预测ΔGbind。研究人员采用PDBbind v2020数据集，将核心集作为测试集，其余复合物用于训练，构建了9量子位和12量子位的QCNN模型。性能最佳的模型在测试集上获得皮尔逊相关系数0.694。为评估鲁棒性，该团队引入了两种量子噪声配置。虽然噪声增大了均方根偏差，但皮尔逊相关系数基本保持稳定。这些结果证明了量子卷积神经网络在高通量虚拟筛选中的可行性与抗噪性，同时揭示了量子计算加速药物发现的潜力。