基于量子启发式哈密顿特征提取的 ADMET 预测：仿真研究
量子物理
2026-03-04 v1
摘要
预测吸收、分布、代谢、排泄和毒性 (ADMET) 属性仍是药物发现中的关键瓶颈。虽然分子指纹有效地捕获局部结构特征，但难以表示分子亚结构之间的高阶相关性。我们提出一种量子启发式特征提取方法，将分子指纹编码为参数化哈密顿量，并利用相互信息 (MI) 指导纠缠结构。通过在 GPU 加速后端模拟量子演化，我们提取期望值以捕获指纹位之间的二元和三元相关性。在十个治疗数据公共基准 (TDC) ADMET 基准测试中，我们的方法在 CYP3A4 受体底物预测上实现了最先进的性能 (AUROC 0.673 0.004)，并在 8/10 项任务上超越了经典基线方法。SHAP (SHapley Additive exPlanations) 分析表明，量子派生特征尽管仅占特征的 1.6%，但贡献了模型重要性最高的 33%，表明哈密顿编码集中了预测信号。本仿真研究为在近期量子设备上进行硬件验证奠定了基础。
引用
@article{arxiv.2603.03109,
title = {Quantum-Inspired Hamiltonian Feature Extraction for ADMET Prediction: A Simulation Study},
author = {B. Maurice Benson and Kendall Byler and Anna Petroff and Shahar Keinan and William J Shipman},
journal= {arXiv preprint arXiv:2603.03109},
year = {2026}
}