[论文解读] Hybrid quantum-classical convolutional neural networks to improve molecular protein binding affinity predictions

L. Domingo, M. Djukic+2 more|arXiv (Cornell University)|Jan 16, 2023

Computational Drug Discovery Methods被引用 4

一句话总结

该论文提出了一种混合量子-经典3D卷积神经网络，用量子电路替代了首个卷积层，将模型复杂度降低了20%，训练时间减少了20–40%，同时在分子蛋白结合亲和力预测任务中保持了预测性能。该方法利用量子电路更高效地处理高维分子数据，结合误差缓解技术，在真实噪声水平（p ≤ 0.01）下实现了稳健性能。

ABSTRACT

One of the main challenges in drug discovery is to find molecules that bind specifically and strongly to their target protein while having minimal binding to other proteins. By predicting binding affinity, it is possible to identify the most promising candidates from a large pool of potential compounds, reducing the number of compounds that need to be tested experimentally. Recently, deep learning methods have shown superior performance than traditional computational methods for making accurate predictions on large datasets. However, the complexity and time-consuming nature of these methods have limited their usage and development. Quantum machine learning is an emerging technology that has the potential to improve many classical machine learning algorithms. In this work we present a hybrid quantum-classical convolutional neural network, which is able to reduce by 20% the complexity of the classical network while maintaining optimal performance in the predictions. Additionally, it results in a significant time savings of up to 40% in the training process, which means a meaningful speed up of the drug discovery process.

研究动机与目标

• 降低用于分子蛋白结合亲和力预测的经典3D卷积神经网络的计算复杂度和训练时间。
• 探索将量子电路集成到深度学习架构中以处理高维分子数据的可能性。
• 评估混合量子-经典模型在真实噪声中间尺度量子（NISQ）条件下的性能。
• 评估数据回归误差缓解（DRER）在恢复可用于机器学习的准确量子输出方面的有效性。
• 证明量子增强模型可在减少参数数量和训练时间的同时保持预测准确性。

提出的方法

• 用参数化的量子电路替换3D CNN中初始的经典卷积层，以减少可训练参数数量。
• 以蛋白质-配体复合物的3D网格表示作为输入，将原子特征编码为体积张量。
• 实现一个包含300个门的量子电路以处理输入数据，利用指数级增大的希尔伯特空间实现高效特征提取。
• 应用数据回归误差缓解（DRER）以校正量子电路输出中的噪声，使用超参数优化的线性模型。
• 在蛋白质-配体结合亲和力数据集上训练混合模型，并与完全经典的3D CNN进行性能和训练效率对比。
• 使用噪声模型（去极化、振幅阻尼、相位阻尼）在经典硬件上模拟量子电路，误差概率（p）可调。

实验结果

研究问题

• RQ1 混合量子-经典3D CNN是否能在不牺牲预测准确性的情况下，减少结合亲和力预测中的训练参数数量？
• RQ2 量子电路在多大程度上能够加速用于分子性质预测的深度学习模型的训练过程？
• RQ3 在真实噪声水平（p ≤ 0.01）下，数据回归误差缓解（DRER）在恢复准确量子输出方面的有效性如何？
• RQ4 不同噪声模型（去极化、振幅阻尼、相位阻尼）对混合模型性能有何影响？
• RQ5 当在误差概率低于0.01的噪声量子硬件上执行时，混合模型能否保持最优性能？

主要发现

• 与经典基线相比，混合量子-经典3D CNN将训练参数数量减少了20%。
• 训练时间根据硬件不同减少了20–40%，显著加速了药物发现流程。
• 当误差概率 p ≤ 0.01 时，DRER 误差缓解技术使量子电路输出的均方误差（MSE）低于有噪声的电路。
• 当 p = 0.001（去极化通道）时，误差缓解的倾向准确率超过 0.89，表明输出方向性得到了可靠校正。
• 振幅阻尼噪声模型最难缓解，与其他噪声类型相比，其倾向准确率提升更慢。
• 当 p ≤ 0.01 且使用300个门的电路时，DRER算法成功恢复了无噪声的量子振幅，使结果可在机器学习中可靠使用。