[논문 리뷰] Quantum-Inspired Hamiltonian Feature Extraction for ADMET Prediction: A Simulation Study

B. Maurice Benson, Kendall Byler외 3명|arXiv (Cornell University)|2026. 03. 03.

Computational Drug Discovery Methods인용 수 0

한 줄 요약

논문은 분자 지문을 매개변수화된 해밀토니안에 인코딩하고, 상호정보를 이용해 얽힘을 유도하며, GPU에서 양자 진화를 시뮬레이션하여 여러 벤치마크에서 ADMET 예측 성능을 향상시키는 양자 영감 특징 추출 방법을 제시합니다.

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.

연구 동기 및 목표

• 로컬 지문을 넘어선 고차 상관관계를 포착하여 ADMET 예측의 병목 현상을 동기화하고 해결합니다.
• Fingerprint를 매개변수화된 해밀토니안에 인코딩하는 양자 영감 특징 추출을 제안합니다.
• 상호정보를 활용해 해밀토니안의 얽힘 구조를 안내하고 GPU 시뮬레이션을 통해 정보값을 추출합니다.

제안 방법

• 분자 지문을 매개변수화된 해밀토니안에 인코딩합니다.
• 상호정보를 이용해 해밀토니안의 얽힘 구조를 안내합니다.
• GPU 가속 백엔드에서 양자 진화를 시뮬레이션하여 기대값을 얻습니다.
• 추출된 특징을 통해 지문 비트 간의 페어 및 트라이딕 상관관계를 포착합니다.
• 열 가지 Therapeutic Data Commons ADMET 벤치마크에서 예측 성능을 평가합니다.

실험 결과

연구 질문

• RQ1 양자 영감 해밀토니안 특징이 ADMET 예측 벤치마크에서 특히 CYP3A4 기질 예측에서 최첨단 성능을 달성할 수 있습니까?
• RQ2 양자 유도 특징이 다수의 과제에서 클래식 벤치라인보다 개선됩니까(8/10)?
• RQ3 특징 수에 비해 양자 유도 특징에 얼마나 많은 예측 신호가 집중되어 있습니까(중요도 대 전체 특징)?
• RQ4 스케일에 맞춰 이러한 특징을 추출하기 위해 GPU 가속 양자 진화가 실현 가능한 방법입니까?
• RQ5 SHAP 분석이 양자 유도 특징이 모델 예측에 meaningful한 기여를 보입니까?

주요 결과

• CYP3A4 기질 예측에서 AUROC 0.673 ± 0.004의 최첨단 성능을 달성했습니다.
• ADMET의 10개 과제 중 8개에서 클래식 벤치라인보다 개선되었습니다.
• SHAP 분석은 양자 유도 특징이 모델 중요도에 최대 33%를 기여하는 동시에 특징의 1.6%만 차지함을 보여줍니다.
• 해밀토니안 인코딩이 예측 신호를 소수의 특징 서브셋에 집중시킨다는 것을 시사합니다.
• 근접한 시점의 양자 디바이스에서 하드웨어 검증을 위한 기초 작업의 기초를 확립합니다.