[論文レビュー] Quantum Machine Learning Framework for Virtual Screening in Drug Discovery: a Prospective Quantum Advantage

Stefano Mensa, Emre Sahin+3 more|arXiv (Cornell University)|Apr 8, 2022

Quantum Computing Algorithms and Architecture参考文献 56被引用数 4

ひとこと要約

本論文は、創薬におけるリガンドベース仮想スクリーニングのためのハイブリッド古典的・量子的機械学習フレームワークを提案する。古典的サポートベクタ分類器と量子カーネル推定を組み合わせたもので、実世界のADRB2およびCOVID-19データセットを用いたシミュレーションおよびIBM Quantumハードウェア上での実行を通じて、量子強化分類が古典的手法を上回ることを示し、量子的優位性の前向きな兆候を示している。AUC-ROC結果は、状態ベクトルシミュレーションと一致し、古典的ベースラインを上回った。

ABSTRACT

Machine Learning (ML) for Ligand Based Virtual Screening (LB-VS) is an important in-silico tool for discovering new drugs in a faster and cost-effective manner, especially for emerging diseases such as COVID-19. In this paper, we propose a general-purpose framework combining a classical Support Vector Classifier (SVC) algorithm with quantum kernel estimation for LB-VS on real-world databases, and we argue in favor of its prospective quantum advantage. Indeed, we heuristically prove that our quantum integrated workflow can, at least in some relevant instances, provide a tangible advantage compared to state-of-art classical algorithms operating on the same datasets, showing strong dependence on target and features selection method. Finally, we test our algorithm on IBM Quantum processors using ADRB2 and COVID-19 datasets, showing that hardware simulations provide results in line with the predicted performances and can surpass classical equivalents.

研究の動機と目的

• 創薬におけるリガンドベース仮想スクリーニング（LB-VS）のための汎用的量子機械学習フレームワークの開発。
• 実世界の創薬データセットにおいて、量子カーネル手法が古典的機械学習アルゴリズムに対して実質的な優位性を示すかどうかの調査。
• 近未来の量子ハードウェアを用いて、実分子データセットを用いて量子強化分類器の性能を検証すること。
• 大規模な創薬ワークフローにおける完全な量子優位性への道筋としての、前向きな量子優位性（PQA）の概念の確立。

提案手法

• フレームワークは、創薬データベースに格納されたSMILES形式の分子から、RDKitを用いて化学情報学的特徴量を抽出する。
• 次元削減と分類性能の向上のため、特徴量選択および次元削減技術（分散分析（ANOVA）、主成分分析（PCA））が適用される。
• 古典的サポートベクタ分類器（SVC）は、量子回路から導出された古典的および量子カーネルを用いて訓練される。
• 量子カーネル推定は、IBM Quantumプロセッサ（モントリオールおよびグアダループ）に実装された量子回路および量子ハードウェアエミュレータ上でシミュレートされる。
• 量子強化分類器（QSVC）の性能は、主にAUC-ROCを指標として評価され、RMDおよびMPNNモデルを含む古典的ベースラインと比較される。
• 状態ベクトル法を用いた数値シミュレーションにより、ハードウェア実行前の期待される性能が検証され、量子プロセッサの実行結果を信頼できる予測が可能になる。

実験結果

リサーチクエスチョン

• RQ1 量子カーネルに基づく分類器は、リガンドベース仮想スクリーニングタスクにおいて、古典的機械学習モデルを上回ることができるか？
• RQ2 提案されたハイブリッド量子・古典フレームワークは、近未来の量子ハードウェア上で実行された場合、実世界の創薬データセットにおいて測定可能な優位性を示すか？
• RQ3 量子シミュレーションは、実際の量子プロセッサ上で実行される量子アルゴリズムの性能をどの程度正確に予測できるか？
• RQ4 このフレームワークは、古典的に処理不能な大規模な特徴量セットへスケーリング可能であり、前向きな量子優位性を実現できるか？

主な発見

• IBM Quantum モントリオールで実行されたQSVCモデルは、ADRB2データセットで状態ベクトルシミュレーションと同等のAUC-ROCスコアを達成し、その誤差範囲内に収まった。
• COVID-19データセットにおいて、IBM Quantum グアダループで実行されたQSVCモデルは、最高性能を示した量子数値シミュレーションの結果と一致した。
• ADRB2およびCOVID-19両データセットにおける量子ハードウェアの結果は、RMDおよびMPNNモデルを含むすべての古典的ベースラインを顕著に上回った。
• 量子ハードウェアエミュレータ上のシミュレーションは、実際の量子プロセッサ実行結果を正確に予測しており、将来の量子優位性評価に向けた数値シミュレーションの信頼性が裏付けられた。
• このフレームワークは、前向きな量子優位性（PQA）を示しており、小規模なインスタンスで観測された量子的利点が、将来的に古典的に処理不能な大規模問題へスケーリング可能である可能性を示唆している。
• 本研究は、特徴量選択を最適化した場合、量子カーネル手法が創薬分野における活性・非活性分子の分類に実用的かつ優れた手法であることを確認した。