image: A new paper represents an international collaboration combining quantum computing with AI for molecular generation. view more
Credit: Insilico Medicine
· 业界首次系统地用VQC逐步取代GAN，并用混合模型成功生成分子
· 使用少量可学习参数的量子GAN可生成与拥有上万可学习参数的经典GAN相当的类药性质分子
· 这项前瞻性研究，将进一步支持英矽智能将量子GAN模型整合到分子生成引擎Chemistry42中
2023年5月17日，由生成式人工智能（AI）驱动的临床阶段生物医药科技公司英矽智能宣布，公司的研究小组开创性地将量子计算和生成式人工智能两项快速发展的技术相结合，探索药物研发过程中的先导化合物的发现，并成功证明量子生成对抗网络在生成化学中的潜在优势。
这项研究发表在计算化学领域权威期刊美国化学学会旗下《化学信息与建模》杂志，由英矽智能专注于计算机辅助药物研发工作的台湾研发中心和鸿海研究院量子计算研究所（富士康科技集团）共同领导。该研究也得到了英矽智能阿布扎比研发中心和多伦多大学加速联盟主任Alan Aspuru-Guzik教授的支持和参与。
鸿海研究院量子计算研究所谢明修所长表示，“很高兴和英矽智能的合作取得了阶段性的研究成果。量子计算可以用来处理复杂的计算问题，用于药物研发将有助于加快药物开发的速度并降低研发成本。”
生成式对抗网络(GANs)是药物发现和设计中最成功的生成模型之一。经典的GAN模型由一个生成器（生成网络）和一个判别器（判别网络）组成，生成器通过学习训练集数据的特征，将随机噪声分布尽量拟合为训练数据的真实分布，从而生成具有训练集特征的相似数据。而判别器负责区分输入的数据的真实性，并反馈给生成器。期间生成器与判别器交替训练，分别提高各自的生成能力和判别能力，直到生成器生成的数据能够以假乱真。
在这项研究中，研究人员通过三个实验，逐步以变分量子线路（VQC）取代MolGAN（一种用于小分子图的隐式生成式模型）的各个部分，包括作为噪声生成器、切片法下的生成器和判别器，并将混合模型产生的结果与经典GAN模型输出的结果相对比，探索量子生成式对抗网络在小分子药物发现中的潜在优势。
研究证明了，当作为生成器时，仅使用少量可学习参数的量子GAN可以生成类似训练集的分子，而且量子GAN模型在生成化合物的药物性质和以目标为基准分子设计方面优于经典GAN模型。当作为判别器时，几十个可学习参数的量子GAN模型即可生成与拥有几万个可学习参数的经典GAN模型相当的类药性质分子，且量子GAN模型在分子独特性上有一定优势。
本文通讯作者、英矽智能台湾研发中心负责人、台湾公司总经理林彦竹博士表示，“量子计算是下一个将对所有行业产生巨大影响的技术突破，制药业被认为将是第一波受益于这一技术进步的行业之一。本次研究探索了在量子计算和人工智能两大前沿技术驱动下的分子生成，也是英矽智能宏大愿景下的首次尝试。”
这项具有前景的前瞻性探索，将进一步支持英矽智能的研发团队将量子GAN模型整合到英矽智能自主研发的分子生成引擎Chemistry42中，以便更高效和精准地推进人工智能驱动的药物发现。作为利用GAN开展分子生成和设计的领跑者之一，英矽智能在2016年就发表了该领域的第一篇论文，并已经在基于包括GAN、自然语言学习（NLP）、自注意力机制（Transformer）等的生成式模型构建的人工智能平台Pharma.AI的赋能下发现了11个临床前候选化合物，其中进展最快的项目已经在I期临床实验中得到了验证。
英矽智能创始人兼首席执行官Alex Zhavoronkov博士表示，“据我们所知，这是业界首次系统地用VQC取代GAN的不同部分，并用混合模型成功生成分子。我相信这是我们探索之旅中的第一步，英矽智能正在尝试以多种量子模型驱动药物化学发现，我们期待早日与工业界和学术界分享英矽智能在这个领域的最佳实践。”
关于英矽智能
英矽智能是一家由生成式人工智能驱动的药物研发公司，通过下一代人工智能系统连接生物学、化学和临床试验分析，利用深度生成模型、强化学习、转换模型等现代机器学习技术，构建强大且高效的人工智能药物研发平台，识别全新靶点并生成具有特定属性分子结构的候选药物。英矽智能聚焦癌症、纤维化、免疫、中枢神经系统疾病、衰老相关疾病等未被满足医疗需求领域，推进并加速创新药物研发。
更多信息，请访问网站
www.insilico.com
商务合作，请联系 bd@insilico.ai
媒体垂询，请联系 pr@insilico.ai