Des chercheurs démontrent la puissance de l’informatique quantique dans la conception de médicaments

Gero, une biotechnologie axée sur l’IA axée sur le vieillissement et la longévité, a démontré la faisabilité de l’application de l’informatique quantique à la conception de médicaments et à la chimie générative, qui offre désormais des promesses importantes pour l’avenir des soins de santé. La recherche, publiée dans Rapports scientifiquesdécrit comment un modèle d’apprentissage automatique hybride quantique-classique a été utilisé pour interfacer entre les dispositifs de calcul classiques et quantiques dans le but de générer de nouvelles structures chimiques pour l’industrie potentielle des médicaments en premier.

Le document de recherche fait suite aux récentes avancées de Gero, qui ont suscité de vives discussions parmi les experts de la longévité dans la communauté scientifique lorsqu’une histoire a été publiée dans Popular Mechanics qui affirmait que les humains peuvent s’arrêter mais pas complètement s’inverser. Plus tôt cette année, Gero a annoncé un accord de découverte de cibles avec Pfizer, par lequel la plate-forme technologique d’apprentissage automatique de Gero est appliquée pour découvrir des cibles thérapeutiques potentielles pour les maladies fibrotiques en utilisant des données humaines à grande échelle.

Dans cette nouvelle ligne de recherche, l’équipe a exploré si un système hybride d’IA générative, un réseau de neurones profonds fonctionnant en conjonction avec du matériel quantique disponible dans le commerce, pourrait suggérer des structures chimiques uniques qui sont synthétiquement réalisables et possèdent des propriétés de type médicament.

Le besoin de nouvelles approches informatiques

Le vaste espace structurel de toutes les molécules médicamenteuses possibles présente un défi monumental dans la découverte de médicaments. Le nombre de molécules réalistes de type médicamenteux est estimé entre 10²³ et 10⁶⁰et seulement environ 10⁸ substances n’ont jamais été synthétisées.

Ce paysage moléculaire inexploité pourrait détenir les clés de futurs traitements révolutionnaires pour les maladies liées à l’âge actuellement incurables et le vieillissement lui-même. Cependant, la taille et la complexité de cet espace de diversité chimique inexploré nécessitent des outils innovants pour la sélection de nouvelles molécules biologiquement actives et, en même temps, synthétiquement accessibles en attente d’être transformées en futurs médicaments.

« Ces percées ouvrent la voie à une accélération spectaculaire du processus de découverte de médicaments », a déclaré Peter Fedichev, PDG de Gero.

« La conception de médicaments opère à l’intersection des domaines des phénomènes classiques et quantiques, et nécessite la détermination simultanée des propriétés quantiques des molécules de type médicament et de leurs effets sur les systèmes vivants décrits par la physique classique. C’est pourquoi l’informatique quantique augmentera considérablement notre capacité à développer des traitements transformateurs pour les maladies et affections les plus difficiles, y compris le vieillissement lui-même. »

Une équipe de chercheurs aux expertises variées

L’équipe de recherche comprend des experts de premier plan dans divers domaines, englobant la physique, l’apprentissage automatique moderne, les modèles génératifs, la physique quantique et la conception de médicaments. Comme documenté dans l’article, Apprentissage automatique hybride quantique-classique pour la chimie générative et la conception de médicaments, les chercheurs ont développé un modèle hybride qui combine un auto-encodeur variationnel discret compact (DVAE, un algorithme de chimie générative) sous une forme qui peut fonctionner sur un état existant – un dispositif quantique de pointe appelé recuit quantique D-Wave.

Le système proposé est un mode génératif hybride quantique/classique formé pour échantillonner à partir de la distribution de molécules de type médicament et synthétiquement disponibles. Une fois la formation terminée, le système pouvait être exécuté en mode génératif et suggérait 2 331 nouvelles structures chimiques avec des propriétés typiques des composés biologiquement actifs. De manière encourageante, moins de 1 % des molécules générées présentaient une grande similitude avec n’importe quelle molécule de l’ensemble d’apprentissage, ce qui indique un niveau élevé de nouveauté dans les composés générés.

Réaliser le potentiel de l’informatique quantique dans la découverte de médicaments

Le développement d’algorithmes quantiques et de modèles hybrides d’apprentissage automatique quantique-classique pour la découverte de médicaments pourrait faire progresser de manière significative le domaine de la chimie médicinale. Parce que l’immensité de l’espace structurel d’éventuelles molécules de type médicament pose un défi important pour l’informatique classique, l’informatique quantique peut offrir une approche beaucoup plus efficace.

Les molécules sont des objets quantiques archétypaux et, par conséquent, les ordinateurs quantiques sont naturellement adaptés à la résolution de problèmes complexes de chimie quantique. Et, sur la base des résultats de l’étude scientifique, l’équipe est maintenant convaincue que les algorithmes quantiques peuvent améliorer l’apprentissage automatique dans la conception de médicaments et pourraient potentiellement évoluer vers des algorithmes de chimie générative ultimes.

Au fur et à mesure que le matériel quantique mûrit, des composants spécifiques du réseau pourraient être convertis en leur homologue entièrement quantique, transformant potentiellement le système en un VAE quantique (QVAE) qui pourrait échantillonner à partir de distributions non classiques plus riches. Cela pourrait finalement accélérer la formation du système, rendant potentiellement les modèles génératifs améliorés quantiques plus efficaces pour les applications de conception de médicaments.

« Dans cette étude, à l’aide d’un ordinateur quantique, nous avons exploré une toute nouvelle dimension dans l’espace chimique et ouvert une porte sur une toute nouvelle pièce », a déclaré Alexey Fedorov, chef de l’équipe de recherche du RQC qui a co-écrit l’article avec Gero.

« Alors que les ordinateurs quantiques deviennent encore plus puissants, nous nous attendons à ce qu’ils deviennent de plus en plus utiles dans diverses études, en particulier dans le domaine de l’apprentissage automatique appliqué aux problèmes de mécanique quantique naturelle. Dans les cinq à dix prochaines années, nous verrons un nouveau génération de médicaments et de matériaux créés à l’aide d’ordinateurs quantiques. »

Comme documenté dans Rapports scientifiquesla recherche a établi deux conclusions importantes :

1. L’apprentissage automatique hybride quantique-classique a un excellent potentiel pour les applications de découverte de médicaments. Les chercheurs ont démontré qu’il est possible d’utiliser des architectures hybrides qui combinent des ordinateurs quantiques avec des réseaux classiques profonds pour des applications de découverte de médicaments. Ils ont construit un modèle compact et pourtant suffisamment puissant, suffisamment petit pour s’adapter à un recuit quantique D-Wave de pointe et ont formé ce modèle sur un sous-ensemble de l’ensemble de données ChEMBL de composés biologiquement actifs.

2. Nous pouvons générer de nouvelles structures chimiques à l’aide d’une machine quantique disponible dans le commerce. Le modèle hybride quantique-classique a généré 2 331 nouvelles structures chimiques avec des propriétés de chimie médicinale et d’accessibilité synthétique dans les gammes typiques des molécules biologiquement actives de l’ensemble de données ChEMBL. Il est important de noter que l’ordinateur quantique utilisé pour effectuer les calculs est disponible en tant qu’infrastructure de cloud computing.

Ce que cela signifie pour la découverte de médicaments

Poursuivre le développement de modèles d’apprentissage automatique quantique. Le rapport scientifique a démontré qu’un modèle d’apprentissage automatique hybride quantique-classique peut générer de nouvelles molécules de type médicament. La prochaine étape consiste à développer et à affiner ces modèles. Cela comprend l’amélioration des capacités génératives du modèle pour générer des molécules plus diverses et nouvelles et l’optimisation de l’efficacité des modèles.

Transition vers des modèles quantiques complets. Les chercheurs ont utilisé un modèle hybride quantique-classique comme tremplin vers des modèles génératifs entièrement quantiques. Au fur et à mesure que le matériel quantique mûrit, la machine Boltzmann restreinte (RBM) utilisée dans l’étude pourrait être transformée en une machine Quantum Boltzmann (QBM), et l’ensemble du système pourrait être transformé en un auto-encodeur variationnel quantique (QVAE) qui pourrait échantillonner à partir de sources non potentiellement plus riches. – distributions classiques.

Pour la conception réelle de médicaments, les modèles doivent être capables de prédire des propriétés supplémentaires, telles que la constante de liaison à une cible spécifique, en plus de générer de nouveaux composés. Cela permettrait la génération de composés conçus pour se lier à des cibles spécifiques pertinentes sur le plan médical.

L’informatique quantique et la découverte de médicaments sont des domaines complexes qui nécessitent une expertise dans de nombreux domaines différents. Des collaborations entre des experts en informatique quantique, des sociétés pharmaceutiques et des chercheurs médicaux seraient bénéfiques pour faire avancer le domaine.

Fedichev voit d’énormes promesses pour l’application de l’informatique quantique pour aborder la durée de vie et la santé :

« Notre objectif est de ralentir, voire d’arrêter le vieillissement humain. Ce n’est pas une mince affaire et nécessitera des efforts intenses et la fusion de quantités de technologies probablement encore inconnues empruntant à la science des systèmes complexes, aux technologies modernes d’IA et d’apprentissage automatique, à de vastes des ensembles de données biomédicales et une bio-ingénierie révolutionnaire », a-t-il ajouté.

« Reconnaissant le potentiel de l’informatique quantique et de l’apprentissage automatique quantique, un domaine en évolution rapide et extrêmement prometteur, nous les avons incorporés dans notre arsenal, ouvrant la voie à des avancées indispensables dans la conception de médicaments contre le vieillissement. »