Инсайдерская информация
- Исследователи разработали гибридную квантово-классическую модель для создания двух небольших молекул, нацеленных на белок KRAS, ключевой игрок в биологии рака.
- Исследование объединило квантовые схемы и классическое машинное обучение для проверки миллионов соединений, в результате чего были получены два перспективных кандидата на лекарства, подтвержденные лабораторными испытаниями.
- Хотя первые результаты показывают потенциал, этот подход по-прежнему ограничен современными квантовыми технологиями и требует дальнейшей оптимизации перед клиническим применением.
Международная группа исследователей представила гибридную квантово-классическую модель, которая успешно разработала две многообещающие небольшие молекулы, воздействующие на белок, вызывающий рак, что ознаменовало значительный шаг в использовании квантовых вычислений для открытия лекарств.
Исследование, опубликованное в Природапродемонстрировали, как сочетание квантовых и классических вычислительных инструментов может улучшить разработку потенциальных лекарств для KRAS, белка, который долгое время считался трудным для нацеливания из-за его структурной сложности. Ученые уже давно заинтересованы в нацеливании на KRAS, поскольку это белок, участвующий в различных видах рака, включая рак легких, колоректальный рак и рак поджелудочной железы. Это делает его важной целью для развития терапии.
Однако его структурная сложность и роль в передаче сигналов клетками исторически затрудняли эффективное ингибирование.
В этом исследовании исследователи синтезировали 15 молекул-кандидатов, две из которых показали себя многообещающими в качестве ингибиторов KRAS в предварительных испытаниях, открыв путь для дальнейших разработок.
Открытие лекарств — это трудоемкий и дорогостоящий процесс, часто занимающий более десяти лет и требующий миллиардов долларов инвестиций. Генеративные модели, использующие машинное обучение для прогнозирования новых молекулярных структур с желаемыми свойствами, появились как способ ориентироваться в обширном химическом пространстве потенциальных кандидатов на лекарства. Интеграция квантовых вычислений в этот процесс предлагает новый подход к преодолению ограничений классических методов, особенно при разработке молекул для таких сложных целей, как KRAS.
«Эта работа демонстрирует потенциал квантовых вычислений для создания экспериментально подтвержденных результатов, которые выгодно отличаются от классических моделей», — пишет команда.
По мнению исследователей, квантовые вычисления используют такие принципы, как суперпозиция и запутанность, для исследования многомерных пространств данных, потенциально раскрывая молекулярные конструкции, которые классические алгоритмы могут упустить из виду. Гибридная модель команды превзошла чисто классические методы в создании жизнеспособных кандидатов на лекарства, что, по крайней мере, предполагает синергетическое преимущество.
Они пишут: «В то время как чисто классические алгоритмы добились заметных успехов в открытии лекарств, гибридные классико-квантовые подходы предлагают уникальные преимущества благодаря способности квантовых машин Борна (QCBM) использовать квантовые эффекты, такие как суперпозиция и запутанность. Внедрение QCBM иллюстрирует это достижение, предлагая генеративную модель, которая может превзойти классические модели в определенных аспектах. QCBM — это квантовые генеративные модели, которые используют квантовые схемы для изучения сложных распределений вероятностей, что позволяет им генерировать новые выборки, напоминающие дату обучения».
Методология
Исследователи использовали трехэтапный процесс для разработки и тестирования ингибиторов KRAS.
Команда сначала собрала набор данных из 1,1 миллиона молекул, начиная с 650 известных ингибиторов KRAS из литературы. Они расширили этот набор, проанализировав 100 миллионов соединений из коммерческой библиотеки и используя алгоритм для создания аналогов известных ингибиторов. Молекулы были отфильтрованы на предмет их синтезируемости и свойств, подобных лекарственным средствам.
Во-вторых, команда сосредоточилась на молекулярном дизайне. Гибридная модель объединила генеративную модель на основе квантовых схем с классической сетью машинного обучения. 16-кубитный квантовый процессор сгенерировал «априорное распределение» молекул, которое классическая сеть превратила в жизнеспособных кандидатов. Функция вознаграждения, предназначенная для определения приоритета свойств, связывающих KRAS, направляла итеративный процесс обучения.
Заключительным этапом стала экспериментальная проверка. Исследователи синтезировали 15 молекул на основе результатов своих вычислений и протестировали их с помощью лабораторных методов. Два соединения, ISM061-018-2 и ISM061-022, продемонстрировали сильное связывание с KRAS и ингибировали его активность в клеточных анализах без значительной токсичности.
Многообещающие результаты
Молекула ISM061-018-2 проявляла широкую активность в отношении нескольких мутантов KRAS, включая вариант G12D, обычно связанный с раком. Он продемонстрировал высокую аффинность связывания (1,4 мкМ) и селективное ингибирование взаимодействий KRAS в клеточных анализах. Также следует отметить: ISM061-022 продемонстрировал особый механизм действия, демонстрируя повышенную селективность в отношении некоторых мутантов KRAS, таких как G12R и Q61H, хотя его эффекты были менее выражены в отношении варианта G12D.
Обе молекулы избежали нецелевых эффектов в предварительных испытаниях, что подтвердило их потенциал в качестве отправной точки для дальнейших разработок.
Ранние дни
Команда не заявляет, что это исследование доказывает «квантовое преимущество» — достижение результатов, недостижимых классическими методами. Успех модели зависел от гибридного подхода, предполагающего, что одних лишь квантовых вычислений пока недостаточно для задач по открытию лекарств. Нынешняя зависимость от небольших квантовых процессоров также ограничивает возможности молекулярных исследований.
Соединения, разработанные в этом исследовании, также являются кандидатами на ранней стадии. Команда пишет, что еще предстоит оптимизировать профили эффективности и безопасности, прежде чем начнутся клинические испытания. Для подтверждения точных механизмов связывания необходимы экспериментальные методы, такие как кристаллография белков.
Будущая работа: Qubit Boost, алгоритмы на основе трансформаторов
Исследователи планируют улучшить свою модель, увеличив количество кубитов в квантовом компоненте и исследуя генеративные алгоритмы на основе трансформаторов для улучшения молекулярного разнообразия и качества. Масштабирование этих подходов может еще больше сократить время, необходимое для открытия лекарств, потенциально сжимая годы работы до месяцев.
Демонстрируя, как квантовые вычисления могут дополнять классические методы, это исследование закладывает основу для более эффективных рабочих процессов по поиску лекарств. Хотя технология все еще развивается, ее способность обрабатывать сложные наборы данных и генерировать инновационные решения свидетельствует о преобразующем будущем фармацевтических исследований.
Пожалуйста, ознакомьтесь с документ для более глубокого технического погружения в исследование.
Эта команда собрала для исследования огромное количество учёных со всего мира. В число исследователей из Университета Торонто входят Мохаммад Гази Вакили, Алан Аспуру-Гузик, Джейми Снайдер, Анна Лякишева, Ардалан Хоссейни Мансоб, Чжун Яо, Лела Битар, Даниэль Тахулас, Игорь Стагляр и Дора Черина. Из Сент-Луиса. Детская исследовательская больница Джуда внесена в список. Гарвардский университет представляют Кристоф Горгулла, Кришна М. Падманабха Дас и Хуэль Кокс III. В Стэнфордский университет входит Акшат Кумар Нигам. В число исследователей Insilico Medicine AI Limited входят Дмитрий Безруков, Алекс Алипер, Евгений Радченко, Сяо Дин, Цзиньсинь Лю, Фанье Мэн, Фэн Рен и Алекс Жаворонков. Компания Insilico Medicine Canada, Inc. представлена Дэниелом Вароли. включает Даниэля Поликовского. Из Института рака Дана-Фарбер внесен в список Кришна М. Падманабха дас. Загребский университет представляют Лела Битар и Университет Сплита. AQI, Inc. Средиземноморский институт наук о жизни (MedILS) представляет Игорь Стагляр.
