量子计算+生物制药白皮书

导言 生命是一个复杂且多样的系统，其包含的生物学过程涵盖了从分子、细胞、组织到个体等多个层级之间的相互关联，每个层级内部与层级之间都存在着庞大且复杂的调控网络。与此同时，这些复杂调控网络又并非静止，随着生物学过程的发生，它们相互协同，共同维持生物体内的相对稳定。深入解析这些具有复杂特性和高度动态行为的调控网络，对理解生命的遗传发育规律、复杂疾病的发生发展、相关疾病治疗靶点发现和新型药物的开发具有重要意义。 然而，解析这些复杂调控网络极为困难。其主要原因在于不同分子及层级间的非线性关系和高度动态行为，以及生物数据的多样性使得生物场景的计算异常复杂，这些复杂计算任务的求解对现有计算体系和方法提出了巨大挑战，随着生物技术的进一步发展，海量数据的产生将进一步加大目前的计算难度。另外，针对特定靶点的药物开发也面临巨大的计算需求，超大分子库的筛选和分子结合模拟等往往在时间消耗和精度要求上难以平衡，造成了目前药物研发成本高昂的局面。因此，亟待一种新的计算体系来打破上述困境。 量子计算作为一种新兴的计算范式，因其独特的计算能力和效率优势，有望突破当前瓶颈，在生命科学、制药领域展现出巨大的应用价值。相比经典计算方法，量子计算能够模拟复杂生命系统的非线性互作关系，可应用于大规模组合优化问题求解、生物大分子动态构象采样、多分子互作网络的动态模拟推演等复杂计算场景，为生物计算带来前所未有的效率提升和精度改善。 此外，量子计算在先导化合物发现、分子性质优化、研发流程优化以及研发成本降低方面拥有巨大潜力，有望从根本上解决药物研发高风险、长周期和高成本的核心痛点，为未来的药物发现和个性化医疗提供强大支持。随着量子计算硬件和相关算法的快速发展，量子计算正在为制药行业注入全新的技术驱动力。 第一部分 行业总体发展态势 长期以来，药物研发面临着高风险、长周期和高成本等核心痛点，尤其是在全球临床阶段成功率较低的背景下，这些问题尤为突出。目前，传统的生物计算和计算机辅助药物设计面临的问题主要体现在准确性低、计算速度慢两个方面。 准确性低体现在： •现有模型表示的局限性。细胞在时空上跨越从原子到组织的多个层次，不同尺度间存在非线性转化。•组分交互复杂性。细胞功能涉及基因调控、代谢通路等多个过程，每个过程都包含大量高度动态和不同构型的生物分子。•非线性动力学。输入的微小变化可能导致输出的复杂变化。 由于计算框架和模型表示的局限性，往往难以描述真实生物学场景中不同分子的复杂关系和分子本身的构象变化轨迹，因此对更高精度状态的表征和物理模拟对计算能力和模型表示提出了更高挑战。 计算速度慢体现在： •随着生物技术的发展，目前已经积累了海量的多模态生物数据，包括多组学数据、生物分子数据、临床病理影像等数据，这些高维度、高度复杂的数据往往导致计算规模庞大。•现有计算框架对数据模拟规模的限制。•不同硬件协同处理导致数据读取存储的时间延迟。 以基于受体的药物研发场景为例，其涉及复杂的采样和分子动态模拟，经典计算方法在应对以下问题时表现出显著的局限性： •量子力学效应的模拟：分子间相互作用的量子力学效应难以通过经典方法精确模拟，尤其是在强电子相关性场景中。例如经典方法在处理大规模生物分子的电子结构时，往往因计算复杂度和精度不足而受限。 •分子构象采样与结合靶点区域识别：分子对接和靶点区域识别涉及巨大的搜索空间，传统算法往往面临计算时间和精度的权衡。例如分子对接需要在复杂的构象空间中寻找最佳结合模式，而经典计算方法难以在合理时间内完成全局搜索。•复杂分子动力学模拟：复杂分子动力学模拟（如蛋白质折叠和药物受配体结合过程）对计算资源的需求极高。传统分子动力学在模拟大型蛋白质和底物分子作用时，受限于计算资源，难以准确模拟长时间尺度下的相互作用关系。 面对日益复杂的生物计算场景，亟需一种新型计算范式来突破经典计算瓶颈，量子计算利用量子叠加和量子纠缠特性，在并行处理复杂计算任务时具备显著优势，有望高效解决上述难题，为药物发现提供革命性动力。 在生命科学研究过程中，“AI+ 量子计算”的技术融合，将进一步推动生命科学研究的进展。作为一项颠覆性技术，量子计算与人工智能的结合正在解决经典计算方法难以解决的问题。近年来量子计算纠错技术的突破，进一步展现了这种融合应用的巨大潜力。 第二部分 量子计算在药物发现中的研究进展 在药物发现领域，量子计算的应用前景十分广阔，其在靶点发现、活性位点分析、分子构象采样和对接、化学反应模拟、分子动力学模拟、化合物优化、新型生物药开发、临床试验优化等环节均有巨大潜力。随着量子硬件的性能提升和算法的优化，这些应用场景将逐步从理论探索走向实际应用，为药物发现带来深远影响。 •量子计算应用于小分子化合物生成与优化 英矽智能与加拿大多伦多大学合作，利用量子计算与生成式AI结合的混合模型，成功设计出针对KRAS靶点的新型抑制剂分子 [1]。该研究展示了量子计算在药物早期发现中的潜力，尤其是在筛选和优化“不可成药”靶点的候选分子方面。研究团队通过量子变分生成模型（QCBM）和长短期记忆网络（LSTM）的混合框架，生成了大量候选分子，并筛选出具有高活性和低毒性的新型KRAS抑制剂。 •量子计算应用于分子对接 上海交通大学医学院正在与北京玻色量子科技有限公司将量子计算应用于分子对接 [2]。分子对接是基于配体受体识别的锁钥模型提出的技术方法，通过计算配体受体之间的空间互补以及能量匹配来寻找其复合物模式，是药物发现的重要技术手段，其巨大的搜索空间和计算要求对传统算力来说充满挑战，而量子算法可以有效加速这一过程，例如CIM（相干光量子计算机）。 CIM能够加速分子对接过程，通过网格点匹配（GridPointMatching，GPM）和原子特征匹配（FeatureAtomMatching,FAM）算法模型，将分子对接中的采样问题编码为QUBO（二次无约束二值优化）模型来加速采样过程。通过真机测试与验证，CIM的求解速度比传统计算机快1000倍，可显著提升药物虚拟筛选效率和准确率。 •量子计算应用于临床试验设计 2025 年 1 月，ClevelandClinic 公布了一项新的研究成果——尿培养抗生素敏感性的机器学习预测模型的开发和验证：降低发病率与改善抗生素管理框架 [3]。该工作组提出，基于生理学的药代动力学和药效学（PBPK/PD）建模与量子机器学习（QML）相结合 [4]，有助于在经典计算机所需时间的一小部分内准确预测潜在影响。 第三部分 量子计算在生物制药应用中的展望 1. 改善药物研发核心痛点 药物研发长期受到高风险、长周期、高成本的制约。从药物发现到最终上市，通常需要10-15年，总成本可达数亿美元甚至数十亿美元，且临床试验阶段的成功率仅为12.9%。量子计算在药物研发中的应用，有望显著改善这一现状。 •缩短研发周期：量子计算能够通过精确的分子模拟和高效的化合物筛选，快速识别潜在的先导化合物，降低筛选假阳性，节约实验成本和时间。例如，量子计算可以精确模拟蛋白质折叠过程、优化分子构象采样，得到真实可靠的计算结果，从而缩短药物研发时间，加速新药发现进程。•提高筛选成功率、降低研发成本：现有药物发现依赖于大规模的化合物库进行的高通量筛选，往往筛选假阳性率较高，增大药物研发失败风险。量子计算通过优化虚拟筛选策略，精准模拟相互作用，提高筛选成功率，从而大幅降低研发成本。 2. 优化药物设计策略，提升化合物成药性 量子计算在药物设计中的核心价值，体现在其对分子性质分布优越的采样能力。具体而言，它能够学习获取大规模活性分子和成药分子的性质，并优化化合物的关键理化特性（如亲和力、溶解度和毒性）。例如，量子计算可以通过精确模拟药物分子与靶标蛋白的相互作用，提供更准确的电子态分布和反应路径预测，提升优化化合物性质，从而显著提升药物设计的成功率。 此外，量子计算能够更精准地模拟药物与靶标之间的相互作用机制。例如，通过量子模拟，研究人员可以更准确地模拟出蛋白质的折叠过程和获得稳定构象，这些中间互作过程对理解药物作用机制至关重要。这种能力不仅为化合物优化和活性提升提供了可靠的理论支撑，还显著缩短了药物研发周期，为新药发现带来深远影响。 3. 赋能大规模数据分析 基因组学、转录组学、蛋白质组学等多组学数据的不断积累，为解析复杂生物过程和发现疾病治疗靶点提供了丰富的数据资源，但同时也为分析和挖掘这些数据提出了新的挑战，量子计算的并行处理能力将为解决这些挑战提供全新思路。 借助量子计算优势可在一些大规模计算任务（如加大规模基因组组装、遗传变异关联分析等场景）中实现加速，帮助科研人员高效挖掘疾病相关靶点和相关生物标志物，从而为解析复杂疾病的发生发展过程提供证据支持，并推动精准医学和个性化治疗的进步。 此外，量子计算在解决大规模组合优化问题上具有显著优势，其在复杂疾病调控网络建模中能得到更完善的调控关系，帮助多靶点治疗策略和新型药物设计思路的提出。 4. 行业布局与技术前景 量子计算的应用潜力已引起制药行业的高度关注，全球制药巨头纷纷加速布局。例如，全球最大的私有制药企业 BoehringerIngelheim 和PsiQuantum展开合作，使量子计算机计算细胞色素P450电子结构的速度较经典计算提升了234倍，用于改进药物设计方法及提升疗效 [5]；mRNA疫苗领域领军者Moderna联手IBM利用量子计算成功预测了mRNA二级结构，用于加速药物发现和创造新的治疗方法 [6]；NovoNordiskFoundation 更是在2022年宣布投入2亿美元，研发专用于生命科学研究的量子计算机 [7]，用于计算涉及人类基因组和疾病的大规模数据，以加速个性化药物的研发。 随着量子硬件性能的提升（如量子比特数量增加、纠错技术进步）以及量子算法（如变分量子本征求解器VQE）的优化，量子计算在药物研发中的优势将进一步显现，更快展开实 际应用。 5. 推动行业可持续发展 量子计算在资源消耗方面具备显著的潜在价值，其基于能量函数的采样方法遵从玻尔兹曼分布，能够更高效、准确地预测药物分子的性质和反应路径，从而减轻因实验失败导致的资源浪费问题。例如，量子计算可以通过优化化学反应路径，减少合成过程中的试错成本，从而提高资源利用效率。这种更高效、更环保的计算模式，将为制药行业带来可持续发展的新动力。 量子计算在药物研发中的应用不仅限于资源优化。例如谷歌的研究显示，量子计算机在执行某些任务时的能耗比传统超级计算机低三个数量级，这种能耗优势在大规模药物合成中具有重要的应用前景。 Reference ［1］https://www.nature.com/articles/s41587-024-02526-3 ［2］https://pubs.acs.org/doi/10.1021/acs.jctc.3c00943 ［3］https://consultqd.clevelandclinic.org /machine-learning-and-quantum-computing-predict-which-antibiotic-to-prescribe-for-utis ［4］https://www.cell.com/trends/pharmacological-sciences/fulltext/S0165-6147(24)00167-6#f0015 ［5］https://www.psiquantum.com/news-import/faster-quantum-chemistry-simulations ［6］https://newsroom.ibm.com/2023-04-20-Moderna-and-IBM-to-Explore-Quantum-Computing-and-Generative-AI-for-mRNA-Science ［7］https://www.fiercebiotech.com/biotech/rise-