[논문 리뷰] Drug Discovery Approaches using Quantum Machine Learning

Junde Li, Mahabubul Alam외 4명|arXiv (Cornell University)|2021. 04. 01.

Computational Drug Discovery Methods참고 문헌 13인용 수 7

한 줄 요약

이 논문은 약물 발굴을 가속화하기 위해 양자 생성적 적대적 네트워크(QGAN), 양자 분류기, 양자 VAE를 포함한 양자 기계학습(QML) 기법의 세트를 제안한다. 아키텍처 복잡도 측면에서 고전적 GAN보다 양자 우월성을 입증하였고, 비모수 설정에서 고전적 CNN보다도 유의미한 성능 향상을 보였지만, 양자 임bedding 효율성의 한계로 인해 고전적 VAE에 비해 유의미한 이점은 관찰되지 않았다.

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.

연구 동기 및 목표

• 전통적 약물 발굴 파이프라인의 높은 비용과 장기적인 기간 문제를 해결하기 위해 양자 기계학습을 활용한다.
• 분자 설계 및 결합 친화도 예측을 위한 생성 및 예측 모델에서의 양자 우월성을 탐색한다.
• 약물 발굴 작업에 특화된 qubit 효율적이고 미분 가능한 양자 임bedding 기법을 개발한다.
• 약물 유사 분자 생성 및 단백질-리간드 상호작용 분류에서 양자 신경망을 고전적 베이스라인과 비교 평가한다.
• 특히 양자 임bedding 및 회로 설계에서의 양자 우월성의 한계를 규명한다.

제안 방법

• 감소된 파rameter 수를 통해 분자 분포를 학습함으로써 소규모 약물 유사 분자를 생성하기 위해 하이브리드 양자-고전적 QGAN을 사용한다.
• 각도 임bedding 또는 데이터 재업로드를 통해 입력 데이터를 인코딩한 변이 양자 회로 기반의 양자 분류기를 단백질 결합 틈새 분류에 적용한다.
• 3D 수용체 영상 표현과 리간드의 인접 행렬을 사용하여 가상 스크리닝을 위한 확률적 분자 클러스터 생성을 위해 양자 변이 오토에인드어(QVAE)를 설계한다.
• 핵심 위치에 양자 레이어를 고전 신경망에 통합하고, 학습 안정화를 위해 스펙트럼 정규화를 적용한다.
• QVAE 성능에 미치는 영향을 비교하기 위해 두 가지 양자 임bedding 방법—각도 임bed딩과 데이터 재업로드—를 비교한다.
• QM9 및 단백질-리간드 데이터셋에서 프리에치 거리, 교차 엔트로피 손실, 분류 정확도를 사용하여 성능을 평가한다.

실험 결과

연구 질문

• RQ1 더 적은 파rameter로 다양하고 유효한 소규모 약물 유사 분자를 생성하는 데 있어 양자 생성 모델이 고전적 GAN보다 뛰어나게 성능을 내는가?
• RQ2 비모수 설정에서 양자 분류기가 고전적 CNN보다 우월한 성능을 내는가?
• RQ3 양자 VAE는 고전적 VAE와 비교해 높은 품질의 다양성 있는 분자 구조를 생성할 수 있으며, 양자 임bedding의 역할은 무엇인가?
• RQ4 현재의 양자 기계학습 모델에서 약물 발굴에서의 주요 제약 요소는 무엇인가, 특히 양자 상태 준비 및 회로 설계 측면에서?
• RQ5 고전적 베이스라인과 비교했을 때 약물 발굴 작업에서 양자 우월성이 어느 정도 나타나는가?

주요 결과

• QGAN-HG는 훈련 세트에서 고전적 GAN 대비 약 55% 낮은 교차 엔트로피 손실과 약 17% 높은 정확도를 기록하여 훨씬 뛰어난 학습 성능를 입증하였다.
• 검증 세트에서 QGAN-HG는 고전적 GAN 대비 약 57% 낮은 손실과 약 14% 높은 정확도를 기록하여 일반화 능력 향상이 확인되었다.
• 비모수 설정에서 양자 분류기가 고전적 CNN보다 뛰어난 성능을 보이며, 이 특정 구성에서의 양자 우월성을 입증하였다.
• 각도 임bed딩을 사용한 양자 VAE는 고전적 VAE에 비해 성능이 열 劣하였고, 학습 속도도 느렸으며 성능 향상도 없었다.
• 양자 회로 이후 정규화는 초반에는 도움이 되었지만 장기적인 학습 과정에서 점차 효과가 감소하여 VAE에서 양자 레이어의 유용성이 제한적임을 시사하였다.
• 고전적 VAE에 비해 유의미한 양자 우월성은 관찰되지 않았으며, 이는 표현력 제약이 있는 양자 임bedding 기법이 원인일 가능성이 높다.