Инсайдерская информация
- Новое исследование изучает, как квантовая оптимизация и квантовое машинное обучение (QML) могут применяться для улучшения дизайна клинических исследований, выбора места и идентификации когорт.
- Квантовые алгоритмы открывают потенциал для улучшения моделирования испытаний, особенно в прогнозировании эффектов лекарств и оптимизации выбора места, за счет эффективной обработки сложных, многомерных данных, с которыми сталкиваются классические системы.
- Несмотря на многообещающие возможности этих технологий, в исследовании признается, что текущие ограничения квантового оборудования, такие как шум и более низкая точность затвора, создают проблемы, что делает гибридные квантово-классические подходы наиболее жизнеспособным вариантом на данный момент.
Более качественная и эффективная разработка лекарств часто рекламируется как ключевой вариант использования квантовых компьютеров.
Недавнее исследование показывает, что за пределами стадии разработки лекарств надежные квантовые компьютеры могут быть использованы для улучшения планирования и проведения клинических испытаний, решая некоторые ключевые проблемы, которые уже давно мешают этому процессу, включая отсрочку сроков, проблемы с набором персонала и надежность данных. Кроме того, хотя квантовые вычисления все еще находятся на ранних стадиях своего развития, исследование предполагает, что даже при текущих ограничениях квантовые алгоритмы могут предложить значительные улучшения в планировании клинических испытаний.
Опубликовано в Тенденции в фармакологических исследованияхисследование конкретно указывает на то, как алгоритмы квантовой оптимизации и квантовое машинное обучение (QML) — а также гибридные квантово-классические вариации — могут повлиять на ландшафт клинических испытаний. Повышая точность моделирования испытаний и оптимизируя ключевые компоненты, такие как выбор места и идентификация когорты, квантовые вычисления обещают ускорить сроки испытаний и повысить их общую эффективность.
Квантовые вычисления и пробная оптимизация
По данным исследовательской группы, в которую вошли ученые из ИБМ и GNQ Инсилико.
Одним из наиболее многообещающих применений квантовых вычислений, обсуждаемых в этом исследовании, является их способность оптимизировать дизайн испытаний, особенно с помощью алгоритмов квантовой оптимизации, таких как алгоритм квантовой аппроксимационной оптимизации (QAOA). Квантовая оптимизация использует возможности квантовых компьютеров для более быстрого решения сложных задач за счет одновременного изучения нескольких возможностей, а квантовое машинное обучение (QML) совершенствует алгоритмы машинного обучения за счет использования квантовых систем для более эффективной обработки больших наборов данных.
Эти алгоритмы предлагают передовой метод деятельности, связанной с клиническими исследованиями, такой как выбор мест проведения испытаний, моделирование результатов лечения пациентов и уточнение отбора когорт — все области, в которых традиционные подходы показали ограничения. Способность квантовых вычислений обрабатывать сложные наборы данных быстрее и эффективнее, чем классические вычисления, предлагает потенциальное решение этих проблем. Это также может открыть новые возможности для более справедливых испытаний по сравнению с теми, которые проводятся с помощью классических — даже классического машинного обучения (ML) — компьютеров.
Команда пишет, например: «Несмотря на прогресс, достигнутый с использованием ОД в клинических испытаниях, такие проблемы, как отсутствие объяснимости решений, связанных с ОД, остаются проблемой. Природа «черного ящика» многих моделей ОД может препятствовать их принятию регулирующими органами и медицинскими работниками, которым требуются прозрачные процессы принятия решений для проверки и доверия к результатам клинических испытаний».
Моделирование и выбор места
По мнению исследователей, квантовые компьютеры также могут превзойти классические методы моделирования фармакокинетики и фармакодинамики (PBPK/PD) лекарств. Эти симуляции, которые предсказывают, как лекарство будет вести себя в различных популяциях пациентов, имеют решающее значение для определения безопасности и эффективности лечения. Например, они могут помочь исследователям понять, как лекарство взаимодействует с организмом, включая всасывание, распределение, метаболизм и выведение лекарства.
Квантовые алгоритмы теоретически могут обрабатывать эти модели более точно, учитывая сложные биологические и физиологические факторы, которые часто упускаются из виду в классических моделях. В настоящее время классические модели часто не могут отразить всю сложность этих взаимодействий, что приводит к расхождениям между результатами доклинических и клинических испытаний, пишут исследователи, добавляя, что квантовые вычисления с их способностью обрабатывать крупномасштабные вычисления предлагают более точный способ моделировать эти взаимодействия и прогнозировать последствия употребления наркотиков в реальных популяциях.
Алгоритмы квантовой оптимизации также могут изменить способ выбора мест для испытаний. Выбор места проведения является одним из наиболее важных аспектов клинических исследований, поскольку успех исследования во многом зависит от выбора подходящего места с доступом к соответствующей популяции пациентов. Традиционно этот процесс выполнялся вручную или с помощью систем, основанных на правилах. Эти системы используют заранее определенные правила и логику для принятия решений или решения проблем, полагаясь на экспертные знания, а не на обучение на данных, как современные модели машинного обучения. По мнению исследователей, системы, основанные на правилах, хотя и полезны, но не всегда эффективны. Квантовые вычисления могут улучшить эту ситуацию, используя передовые алгоритмы оптимизации для анализа обширных наборов данных, определяя лучшие места на основе сочетания инфраструктуры, демографии пациентов и регуляторных факторов.
Кроме того, идентификация когорты — определение того, какие пациенты имеют право на участие в исследовании — это еще одна область, где квантовые алгоритмы могут изменить ситуацию. В клинических исследованиях определение правильной группы пациентов является ключом к обеспечению успеха исследования. Классические методы часто полагаются на системы, основанные на правилах, которые могут отнимать много времени и быть неточными. Квантовые алгоритмы, в частности QML, однажды смогут обрабатывать сложные данные пациентов для более быстрого и точного определения оптимальных когорт, что приведет к лучшим результатам исследований.
Расширение квантовых возможностей в здравоохранении
Хотя основное внимание в исследовании уделяется квантовой оптимизации и QML, оно также затрагивает более широкие возможности квантовых вычислений в здравоохранении. Квантовые вычисления превосходно подходят для решения как линейных, так и нелинейных систем уравнений, которые часто используются при моделировании взаимодействий лекарств. Эти возможности делают его мощным инструментом для продвижения открытия новых лекарств и персонализированной медицины. Более того, квантовые вычисления могут улучшить модели машинного обучения, используемые в клинических испытаниях, особенно когда речь идет об обработке больших и сложных наборов данных, таких как электронные медицинские записи (EHR).
Для проведения исследования команда приступила к детальному изучению современных методов квантовых вычислений, включая использование квантовой коррекции ошибок для уменьшения шума и повышения надежности квантовых систем. Авторы также исследуют потенциал гибридных квантово-классических алгоритмов, которые сочетают в себе сильные стороны как квантовых, так и классических вычислений для более эффективного решения сложных задач оптимизации.
Ограничения и будущие направления
Несмотря на многообещающие результаты, в исследовании признаются некоторые ограничения квантовых вычислений. Одной из основных проблем является аппаратный шум, который может снизить точность квантовых вычислений. Хотя методы исправления ошибок совершенствуются, квантовые вычисления еще не достигли уровня отказоустойчивости, необходимого для широкого коммерческого использования. Кроме того, в исследовании отмечается, что, хотя квантовые вычисления показали себя многообещающими в моделировании PBPK/PD и выборе места, необходимы дальнейшие исследования, чтобы полностью реализовать их потенциал в этих областях.
Заглядывая в будущее, исследование предлагает несколько будущих направлений исследований. Одним из ключевых направлений улучшений является интеграция квантовых алгоритмов с существующей инфраструктурой клинических исследований. Это потребует сотрудничества между исследователями, фармацевтическими компаниями и регулирующими органами, чтобы обеспечить эффективное применение квантовых вычислений в реальных клинических условиях. Кроме того, исследование требует дополнительной работы по разработке квантовых алгоритмов, которые смогут справиться с присущей биологическим данным изменчивостью, особенно в геномике и персонализированной медицине.
Исследование проводилось группой из нескольких известных учреждений. Хакан Дога, Аритра Бозе и Лакшми Парида — из IBM Research и IBM Quantum. М. Эмре Сахин связан с Центром Хартри, STFC, а Жоао Бетанкур-Сильва работает в IBM Research, Дублин, Ирландия. Ань Фам, Ынён Ким, Ань Фам, Ынён Ким и Алан Андресс представляют компанию Deloitte Consulting LLP. Судхир Саксена и Радва Солиман представляют GNQ Insilico Inc. Ян Лукас Робертус связан с Имперским колледжем Лондона и больницами Royal Brompton and Harefield, а Хидеаки Кавагути из Университета Кейо. Наконец, Дэниел Бланкенберг из Научно-исследовательского института Лернера, Кливлендской клиники.
