[论文解读] 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 7

一句话总结

本文提出了一套量子机器学习（QML）技术——量子生成对抗网络（QGAN）、量子分类器和量子变分自编码器（QVAE）——以加速药物发现。在架构复杂度方面，量子生成对抗网络展现出对经典生成对抗网络的量子优越性；在无参数设置下，量子分类器优于经典卷积神经网络（CNN），但与经典变分自编码器（VAE）相比未见优势，原因在于量子嵌入效率受限。

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.

研究动机与目标

• 通过利用量子机器学习，解决传统药物发现流程成本高、周期长的问题。
• 探索生成模型与预测模型在分子设计与结合亲和力预测中的量子优势。
• 开发适用于药物发现任务的、低量子比特数且可微分的量子嵌入技术。
• 在生成类药物分子与分类蛋白质-配体相互作用方面，评估量子神经网络相较于经典基线的表现。
• 识别当前量子优势的主要瓶颈，特别是量子嵌入与电路设计方面的限制。

提出的方法

• 采用混合量子-经典量子生成对抗网络（QGAN）来生成小分子类药物分子，通过减少参数数量学习分子分布。
• 基于变分量子线路的量子分类器用于分类蛋白质结合口袋，输入数据通过角度嵌入或数据重加载方式编码。
• 设计量子变分自编码器（QVAE）以生成用于虚拟筛选的分子云，使用受体的3D图像表示和配体的邻接矩阵。
• 在关键位置将量子层集成到经典神经网络中，并应用谱归一化以稳定训练过程。
• 比较两种量子嵌入方法——角度嵌入与数据重加载——对QVAE性能的影响。
• 通过Fréchet距离、交叉熵损失和QM9及蛋白质-配体数据集上的分类准确率评估性能。

实验结果

研究问题

• RQ1 量子生成模型能否在参数更少的情况下，优于经典生成对抗网络，生成更多样化且合法的小分子类药物分子？
• RQ2 在无参数设置下，参数自由的量子分类器是否在蛋白质口袋分类任务中优于经典卷积神经网络（CNN）？
• RQ3 量子VAE能否生成与经典VAE相当的高质量、多样化分子结构？量子嵌入在其中扮演何种角色？
• RQ4 当前量子机器学习模型在药物发现中的主要限制是什么，特别是在量子态制备与电路设计方面？
• RQ5 与经典基线相比，量子优势在药物发现任务中在多大程度上得以体现？

主要发现

• 量子生成对抗网络（QGAN-HG）在训练集上实现了约55%的交叉熵损失降低和17%的准确率提升，表明其学习性能更优。
• 在验证集上，QGAN-HG的损失降低约57%，准确率提升14%，证实其泛化能力更强。
• 在无参数设置下，量子分类器优于经典卷积神经网络（CNN），表明在此特定配置下存在量子优势。
• 采用角度嵌入的量子VAE性能远逊于经典VAE，学习速度更慢且未见性能增益。
• 量子电路后应用归一化在初期有帮助，但随着训练时间延长，收益递减，表明量子层在VAE中益处有限。
• 与经典VAE相比未观察到显著的量子优势，可能由于量子嵌入技术的限制导致表达能力受限。