Hybrid quantum-classical machine learning for generative chemistry and drug design

要約

深層生成化学モデルは、創薬を促進するための強力なツールとして登場します。
しかし、考えられるすべての薬物様分子の構造空間の巨大なサイズと複雑さは重大な障害をもたらしますが、量子コンピューターとディープ古典ネットワークを組み合わせたハイブリッドアーキテクチャによって克服できる可能性があります。
この目標に向けた最初のステップとして、潜在層のサイズを縮小した制限付きボルツマン マシン (RBM) を備えたコンパクトな離散変分オートエンコーダー (DVAE) を構築しました。
提案されたモデルのサイズは、最先端の D-Wave 量子アニーラーに適合するのに十分小さく、生物学的に活性な化合物の ChEMBL データセットのサブセットでのトレーニングが可能でした。
最後に、ChEMBL の分子に典型的な範囲の医薬品化学および合成アクセス可能性特性を備えた 2,331 個の新規化学構造を生成しました。
提示された結果は、既存の、または間もなく利用可能になる量子コンピューティング デバイスを将来の創薬アプリケーションのテストベッドとして使用する実現可能性を示しています。

要約(オリジナル)

Deep generative chemistry models emerge as powerful tools to expedite drug discovery. However, the immense size and complexity of the structural space of all possible drug-like molecules pose significant obstacles, which could be overcome with hybrid architectures combining quantum computers with deep classical networks. As the first step toward this goal, we built a compact discrete variational autoencoder (DVAE) with a Restricted Boltzmann Machine (RBM) of reduced size in its latent layer. The size of the proposed model was small enough to fit on a state-of-the-art D-Wave quantum annealer and allowed training on a subset of the ChEMBL dataset of biologically active compounds. Finally, we generated 2331 novel chemical structures with medicinal chemistry and synthetic accessibility properties in the ranges typical for molecules from ChEMBL. The presented results demonstrate the feasibility of using already existing or soon-to-be-available quantum computing devices as testbeds for future drug discovery applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google