中文

Q²SAR：通过量子多核学习克服药物发现中的经典瓶颈

量子物理 2026-07-13 v1 机器学习
作者: Mariano Caruso , Daniel Ruiz , Alejandro Giraldo , Guido Bellomo
在 arXiv 上查看 ↗ PDF ↗

摘要

定量构效关系（QSAR）建模是早期药物发现中的基础计算方法，严重依赖于预测化合物毒性、生物利用度和治疗潜力。然而，经典方法往往难以有效映射分子数据中固有的高度复杂、非线性和高维相互作用，导致预测精度降低和代价高昂的后期临床失败。在本文中，我们提出了一个量子多核学习（QMKL）框架，称为下一代Q²SAR，利用量子支持向量机（QSVM）来克服这些经典限制。通过将分子描述符编码到指数级大的量子希尔伯特空间中，我们的方法显著增强了非线性建模的表达能力。我们在针对DYRK1A激酶（阿尔茨海默病的关键靶点）的数据集上对我们的量子增强框架进行了基准测试，QMKL-SVM取得了令人印象深刻的曲线下面积（AUC）分数0.8750，显著优于经典的先进梯度提升模型（AUC = 0.8037）。此外，我们建立了一条通过投影量子核（PQK）和测量加速器解决经典数据瓶颈的理论和实证路径。随着量子计算架构的成熟，该框架为自主认知架构和自我改进的药物发现流程铺平了道路，有望在广阔的化学空间中解锁更深入的见解，并加速拯救生命的治疗方法的开发。

关键词

quantitative structure-activity relationship quantum machine learning multiple kernel learning quantum support vector machine drug discovery DYRK1A kinase projected quantum kernels

引用

@article{arxiv.2607.11701,
  title  = {$\mathtt{Q^2SAR}$: overcoming classical bottlenecks in drug discovery via quantum multiple kernel learning},
  author = {Mariano Caruso and Daniel Ruiz and Alejandro Giraldo and Guido Bellomo},
  journal= {arXiv preprint arXiv:2607.11701},
  year   = {2026}
}