量子科技中心_量科网

预测药物的吸收、分布、代谢、排泄和毒性（ADMET）特性仍是药物研发的关键瓶颈。虽然分子指纹能有效捕捉局部结构特征，但难以表征分子子结构间的高阶相关性。该研究团队提出了一种量子启发的特征提取方法——将分子指纹编码为参数化哈密顿量，并利用互信息（MI）指导纠缠结构构建。通过在GPU加速后端模拟量子演化，研究人员提取出能捕捉指纹位间二元及三元相关性的期望值。在治疗数据联盟（TDC）十个ADMET基准测试中，该方法在CYP3A4底物预测上取得0.673±0.004的AUROC值（当前最优水平），并在8/10任务中超越经典基线方法。SHAP（沙普利加和解释）分析表明，量子衍生特征虽仅占特征总数的1.6%，却贡献了高达33%的模型重要性，证明哈密顿量编码能浓缩预测信号。该模拟研究为近期量子设备的硬件验证奠定了基础。