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

要約

創薬の分野では、将来有望な薬剤分子と標的タンパク質との結合親和性を正確に予測することが重要である。しかし、結合親和性を予測するには、多大な資金と計算資源が必要となる。最新の手法は古典的な機械学習（ML）技術を採用しているが、最近登場したハイブリッド量子機械学習（QML）モデルは、固有の並列性と指数関数的に増加するデータ次元を管理する能力により、性能の向上が期待されている。このような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する問題に遭遇している。本稿では、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ディープラーニングモデルを紹介する。具体的には、最適化された量子アーキテクチャー内に、3次元と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たモデルを提案する。シミュレーションの結果、既存の古典的モデルと比較して予測精度が6%向上し、従来の古典的アプローチと比較して収束性能が大幅に安定したことが実証された。

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, DeepL