[论文解读] Quantum-Inspired Hamiltonian Feature Extraction for ADMET Prediction: A Simulation Study

B. Maurice Benson, Kendall Byler+3 more|arXiv (Cornell University)|Mar 3, 2026

Computational Drug Discovery Methods被引用 0

一句话总结

本文提出一种受量子启发的特征提取方法，将分子指纹编码到参数化哈密顿量中，利用互信息引导纠缠，并在GPU上模拟量子演化以获得提升ADMET预测性能的特征，在多个基准上优于经典基线。

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.

研究动机与目标

• 通过捕获超越局部指纹的高阶相关性来推动并解决ADMET预测瓶颈。
• 提出一种将指纹编码到参数化哈密顿量的量子启发特征提取方法。
• 利用互信息引导哈密顿量中的纠缠结构，并通过GPU模拟提取有信息量的期望值。

提出的方法

• 将分子指纹编码到参数化哈密顿量中。
• 使用互信息来引导哈密顿量中的纠缠结构。
• 在GPU加速的后端上模拟量子演化以获取期望值。
• 通过提取的特征捕捉指纹位之间的成对和三元相关。
• 在十个Therapeutic Data Commons ADMET基准上评估预测性能。

实验结果

研究问题

• RQ1 量子启发的哈密顿量特征是否能够在ADMET预测基准，尤其是CYP3A4底物预测上达到最先进水平？
• RQ2 在多数任务上（8/10）量子衍生特征是否优于经典基线？
• RQ3 相对于特征数量，量子衍生特征中包含的预测信号有多大（重要性与总特征的对比）？
• RQ4 在规模化提取这些特征方面，GPU加速的量子演化是否可行？
• RQ5 SHAP分析是否揭示量子衍生特征对模型预测的有意义贡献？

主要发现

• 在CYP3A4底物预测上实现了最先进的AUROC（AUROC 0.673 ± 0.004）。
• 在10项ADMET任务中超过经典基线8项。
• SHAP分析显示量子衍生特征贡献高达模型重要性的33%，但仅占特征的1.6%。
• 证明哈密顿量编码将预测信号集中在少量特征中。
• 为在近端量子设备上的硬件验证奠定了基础。