量子科技中心_量科网

在基于结构的虚拟筛选中，评估蛋白质-配体复合物结合自由能时，不仅需要考虑分子构象，还需考量这些结构在空间中的位移和旋转。可能的组合数量会快速增加，最终形成庞大的计算规模。虽然经典计算在此领域存在局限性，但量子计算凭借其内在的并行性优势提供了新的解决路径。该研究团队提出了一种量子机器学习方法，将分子信息编码为量子态并通过参数化量子门进行处理。该模型基于PyTorch框架实现与训练，并在三种场景下评估性能：理想模拟、有限采样模拟及含量子噪声的模拟。实验表明，采用六个量子电路单元时，模型可获得2.37 kcal/mol的均方根偏差和0.650的皮尔逊相关系数。即使使用10万次采样，预测结果仍保持稳定，证明该模型与近期量子硬件具有兼容性。虽然噪声会轻微降低精度，但配体亲和力的排序基本不受影响。这些发现揭示了一种兼顾鲁棒性与预测力的可扩展策略，为通过中等深度量子电路加速虚拟筛选提供了可行方案。