[論文レビュー] Drug Discovery Approaches using Quantum Machine Learning

Junde Li, Mahabubul Alam+4 more|arXiv (Cornell University)|Apr 1, 2021

Computational Drug Discovery Methods参考文献 13被引用数 7

ひとこと要約

本論文は、ドラッグディスcoveryを加速するために、量子生成対抗ネットワーク（QGAN）、量子分類器、量子変分オートエンコーダー（QVAE）を含む一連の量子機械学習（QML）技術を提案する。量子GNNは、アーキテクチャの複雑さにおいて古典的GANよりも優位であり、非パrameterized設定では古典的CNNよりも優位であるが、量子埋め込みの効率性に制限があるため、古典的VAEに対しては優位性が確認されない。

ABSTRACT

Traditional drug discovery pipeline takes several years and cost billions of dollars. Deep generative and predictive models are widely adopted to assist in drug development. Classical machines cannot efficiently produce atypical patterns of quantum computers which might improve the training quality of learning tasks. We propose a suite of quantum machine learning techniques e.g., generative adversarial network (GAN), convolutional neural network (CNN) and variational auto-encoder (VAE) to generate small drug molecules, classify binding pockets in proteins, and generate large drug molecules, respectively.

研究の動機と目的

• 伝統的なドラッグディスcoveryパイプラインの高コスト・長期化を解消するため、量子機械学習を活用すること。
• 分子設計および結合親和性予測のための生成的・予測的モデルにおける量子的優位性を調査すること。
• ドラッグディスcoveryタスクに特化した、qubit効率的で微分可能な量子埋め込み技術を開発すること。
• 量子ニューラルネットワークが、ドラッグに似た分子の生成およびタンパク質リガンド相互作用の分類において、古典的ベースラインと比較してどのように機能するかを評価すること。
• 特に量子埋め込みと回路設計における量子優位性の限界を同定すること。

提案手法

• ハイブリッド量子古典的QGANを用いて、パrameter数を削減することで分子分布を学習し、小規模なドラッグに似た分子を生成する。
• 変分量子回路に基づく量子分類器を用いてタンパク質結合パッチを分類し、角度埋め込みまたはデータ再アップロードによる入力データの符号化を実施する。
• 3次元画像表現による受容体とリガンドの隣接行列を用いて、仮想的スクリーニングのための確率的分子クラウドを生成する、量子変分オートエンコーダー（QVAE）を設計する。
• 量子層を古典的ニューラルネットワークの重要な位置に統合し、訓練の安定化のためスペクトル正規化を適用する。
• QVAE性能に与える影響を比較するため、2つの量子埋め込み手法（角度埋め込みとデータ再アップロード）を検討する。
• QM9およびタンパク質リガンドデータセットにおけるFréchet距離、交差エントロピー損失、分類精度を用いて性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 パrameter数を減らした場合に、量子生成的モデルは、古典的GANよりも多様で妥当な小規模なドラッグに似た分子を効率的に生成できるか？
• RQ2 パrameterフリーの量子分類器は、古典的CNNに比べてタンパク質パッチ分類で優位性を示すか？
• RQ3 量子VAEは、古典的VAEと同等の品質で多様な分子構造を生成できるか？また、量子埋め込みはそのプロセスにおいてどのような役割を果たすか？
• RQ4 量子状態準備および回路設計における制限を除き、現在の量子機械学習モデルがドラッグディスcoveryにおいて抱える主な限界は何か？
• RQ5 古典的ベースラインと比較した場合、ドラッグディスCOVERYタスクにおいて量子優位性はどの程度顕在化するか？

主な発見

• 量子GNN（QGAN-HG）は、訓練セットにおいて交差エントロピー損失が約55％低く、正解率が17％高い結果を示し、学習性能の優位性を示した。
• 検証セットでは、QGAN-HGは古典的GANと比較して損失が約57％低く、正解率が14％高い結果を示し、一般化性能の向上が確認された。
• 非パrameterized設定では、量子分類器が古典的CNNを上回り、この特定の構成において量子優位性を示した。
• 角度埋め込みを用いた量子VAEは、古典的VAEと比較して性能が低く、学習速度も遅く、性能向上も見られなかった。
• 量子回路の後に正規化を適用することで一時的に効果が見られたが、長期にわたり効果が薄れ、VAEにおける量子層の恩恵は限定的であることが示唆された。
• 古典的VAEに対して顕著な量子優位性は観察されず、量子埋め込み技術の制限が表現力に制限を及えることが主な要因と考えられる。