[論文レビュー] Quantum-Inspired Hamiltonian Feature Extraction for ADMET Prediction: A Simulation Study

B. Maurice Benson, Kendall Byler+3 more|arXiv (Cornell University)|Mar 3, 2026

Computational Drug Discovery Methods被引用数 0

ひとこと要約

論文は、分子指紋をパラメータ化されたハミルトニアンにエンコードし、相互情報量を用いてエンタングルメントを導き、GPU上での量子進化をシミュレーションして得られる特徴が複数のベンチマークでADMET予測を向上させる、量子 inspired な特徴抽出法を紹介する。

ABSTRACT

Predicting absorption, distribution, metabolism, excretion, and toxicity (ADMET) properties remains a critical bottleneck in drug discovery. While molecular fingerprints effectively capture local structural features, they struggle to represent higher-order correlations among molecular substructures. We present a quantum-inspired feature extraction method that encodes molecular fingerprints into a parameterized Hamiltonian, using mutual information (MI) to guide entanglement structure. By simulating quantum evolution on GPU-accelerated backends, we extract expectation values that capture pairwise and triadic correlations among fingerprint bits. On ten Therapeutic Data Commons (TDC) ADMET benchmarks, our method achieves state-of-the-art performance on CYP3A4 substrate prediction (AUROC 0.673 0.004) and improves over classical baselines on 8/10 tasks. SHAP (SHapley Additive exPlanations) analysis reveals that quantum-derived features contribute up to 33% of model importance despite comprising only 1.6% of features, demonstrating that Hamiltonian encoding concentrates predictive signal. This simulation study establishes the foundation for hardware validation on near-term quantum devices.

研究の動機と目的

• 局所的な指紋を超える高次相関を捉え、ADMET予測のボトルネックを動機づけ、解決する。
• 指紋をパラメータ化されたハミルトニアンにエンコードする量子に触発された特徴抽出を提案する。
• エンタングルメント構造を導くために相互情報量を活用し、GPUシミュレーションによって有益な期待値を抽出する。

提案手法

• 分子指紋をパラメータ化されたハミルトニアンにエンコードする。
• ハミルトニアンのエンタングルメント構造を導くために相互情報量を用いる。
• GPU加速バックエンド上で量子進化をシミュレートして期待値を取得する。
• 抽出された特徴量を通じて指紋ビット間のペアワイズおよびトライダイコールの相関を捉える。
• 10のTherapeutic Data Commons ADMETベンチマークで予測性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 量子に触発されたハミルトニアン特徴がADMET予測ベンチマーク、特にCYP3A4基質予測で最先端の性能を達成できるか。
• RQ2 量子由来の特徴が大半のタスク（8/10）で古典的ベースラインを上回るか。
• RQ3 特徴量数に対して量子由来特徴にどれだけの予測信号が集中しているか（重要度対総特徴量）。
• RQ4 GPU加速量子進化はスケールぐときにこれらの特徴を抽出する実現可能なアプローチか。
• RQ5 SHAP分析は量子由来特徴がモデル予測に意味のある寄与を示すか。

主な発見

• CYP3A4基質予測でAUROCが最先端（AUROC 0.673 ± 0.004）。
• ADMETタスクのうち8/10で古典的ベースラインを上回る。
• SHAP分析により、量子由来特徴はモデル重要度の最大33%に寄与しつつ特徴量全体の1.6%を占めるにすぎない。
• ハミルトニアンエンコーディングは予測信号を特徴の小さなサブセットに集中させることを示す。
• 近期量子デバイスでのハードウェア検証のための基礎的土台を確立。