A hybrid quantum-classical fusion neural network to improve protein-ligand binding affinity predictions for drug discovery

要約

創薬の分野は、特にそのようなタンパク質が疾患の進行に直接影響を与える場合、有望な薬剤分子と標的タンパク質の間の結合親和性を正確に予測することにかかっています。
ただし、結合親和性の推定には、多大な財政的および計算的リソースが必要です。
最先端の方法論では古典的な機械学習 (ML) 技術が採用されていますが、新興のハイブリッド量子機械学習 (QML) モデルは、その固有の並列性とデータ次元の指数関数的な増加を管理する能力により、パフォーマンスの向上が期待できることが示されています。
これらの進歩にもかかわらず、既存のモデルは収束の安定性と予測精度に関連する問題に直面しています。
この論文では、創薬における結合親和性予測用に調整された新しいハイブリッド量子古典深層学習モデルを紹介します。
具体的には、提案されたモデルは、最適化された量子アーキテクチャ内で 3D および空間グラフ畳み込みニューラル ネットワークを相乗的に統合します。
シミュレーション結果は、既存の古典的モデルと比較して予測精度が 6% 向上し、以前の古典的アプローチと比較して大幅に安定した収束性能を示しています。

要約(オリジナル)

The field of drug discovery hinges on the accurate prediction of binding affinity between prospective drug molecules and target proteins, especially when such proteins directly influence disease progression. However, estimating binding affinity demands significant financial and computational resources. While state-of-the-art methodologies employ classical machine learning (ML) techniques, emerging hybrid quantum machine learning (QML) models have shown promise for enhanced performance, owing to their inherent parallelism and capacity to manage exponential increases in data dimensionality. Despite these advances, existing models encounter issues related to convergence stability and prediction accuracy. This paper introduces a novel hybrid quantum-classical deep learning model tailored for binding affinity prediction in drug discovery. Specifically, the proposed model synergistically integrates 3D and spatial graph convolutional neural networks within an optimized quantum architecture. Simulation results demonstrate a 6% improvement in prediction accuracy relative to existing classical models, as well as a significantly more stable convergence performance compared to previous classical approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google