基于结构的虚拟筛选中的量子卷积
量子物理
2025-07-15 v1
摘要
基于结构的虚拟筛选（SBVS）是通过估计蛋白-配体复合物的结合自由能（ΔG_bind）来识别潜在药物候选对象的关键计算策略。化学库的庞大规模，以及需考虑蛋白和配体构象以及配体的平移和旋转，使得在经典硬件上执行此类任务计算负担沉重。本研究提出一种量子卷积神经网络（QCNN）框架，用于高效估计ΔG_bind。我们使用PDBbind v2020数据集训练了具有9和12个量子比特的QCNN模型，其中核心集 designated as 测试集。最佳性能模型在测试集上实现了0.694的皮尔逊相关系数。为评估鲁棒性，我们在两种配置下引入了量子噪声。虽然噪声增加了均方根偏差，但皮尔逊相关系数基本保持稳定。这些结果表明QCNN在高通量虚拟筛选方面的可行性和噪声容忍性，并凸显了量子计算加速药物发现的潜力。
引用
@article{arxiv.2507.09667,
title = {Quantum Convolution for Structure-Based Virtual Screening},
author = {Pei-Kun Yang},
journal= {arXiv preprint arXiv:2507.09667},
year = {2025}
}
备注
18 pages, 4 figures, 2 tables. The source code and dataset preprocessing scripts are publicly available at https://github.com/peikunyang/07_QCNN_SBVS. This is a proof-of-concept study demonstrating quantum convolutional neural networks for structure-based virtual screening using PDBbind v2020