Marco de aprendizaje automático cuántico factible en hardware para el cribado virtual basado en estructuras

Área de la Ciencia:

• Computación cuántica
• Química computacional
• Descubrimiento de fármacos

Sus antecedentes:

• La evaluación de la energía libre de unión de proteínas y ligandos es computacionalmente intensiva debido a las complejidades conformacionales y espaciales.
• La computación clásica tiene dificultades con la explosión combinatoria de configuraciones en el cribado virtual.
• La computación cuántica ofrece paralelismo inherente, lo que la convierte en una alternativa prometedora para simulaciones moleculares complejas.

Objetivo del estudio:

• Desarrollar y evaluar un marco de aprendizaje automático cuántico para el cribado virtual basado en estructuras.
• Diseñar un modelo optimizado para hardware cuántico a corto plazo, centrándose en un número mínimo de cúbits y circuitos poco profundos.
• Evaluar el rendimiento predictivo del marco en condiciones cuánticas ideales, de disparos finitos y ruidosas.

Principales métodos:

• Un marco de aprendizaje automático cuántico que codifica características moleculares en estados cuánticos.
• Utilización de puertas cuánticas parametrizadas para procesar información molecular.
• Implementación y optimización del modelo en PyTorch con consideraciones sobre el número de cúbits y la profundidad del circuito.
• Prueba de la precisión predictiva mediante simulaciones ideales, muestreo de disparos finitos y simulaciones de ruido cuántico.

Principales resultados:

• El modelo cuántico logró una desviación cuadrática media de 2,37 kcal/mol y un coeficiente de correlación de Pearson de 0,650 con seis unidades de circuito cuántico.
• Las predicciones se mantuvieron estables con 100.000 disparos de medición, lo que indica compatibilidad con el hardware cuántico actual.
• El ruido cuántico afectó ligeramente la precisión absoluta pero conservó la clasificación de las afinidades de los ligandos (coeficiente de correlación de Pearson estable).

Conclusiones:

• El marco de aprendizaje automático cuántico propuesto proporciona un enfoque práctico y escalable para acelerar el cribado virtual.
• El modelo demuestra solidez y poder predictivo adecuados para dispositivos cuánticos a corto plazo.
• Este trabajo presenta una vía factible para aprovechar la computación cuántica en el descubrimiento de fármacos y la modelización molecular.