Insights from incorporating quantum computing into drug design workflows.
Insights from incorporating quantum computing into drug design workflows.
复制标题
DOI：
10.1093/bioinformatics/btac789
复制
发表时间：
2023-01-01
期刊：
影响因子：
--
通讯作者：
中科院分区：
文献类型：
--
作者：
尽管许多量子计算（QC）方法在理论上比经典方法具有优势，但量子硬件仍然有限。因此，在计算机辅助药物设计 (CADD) 中利用近期 QC 需要在经典计算和量子计算之间进行明智的划分。我们提出了 HypaCADD，这是一种混合经典量子工作流程，用于寻找与蛋白质结合的配体，同时考虑基因突变。我们明确确定了目前可以由质量控制替换的药物设计工作流程模块：非直观地，我们将突变影响预测器确定为最佳候选者。因此，HypaCADD 将经典对接和分子动力学与量子机器学习 (QML) 结合起来，以推断突变的影响。我们提出了一个关于冠状病毒 (SARS-CoV-2) 蛋白酶和相关突变体的案例研究。我们使用由量子位旋转门构建的神经网络将经典的机器学习模块映射到 QC 上。我们已经在模拟和两台商用量子计算机上实现了这一点。我们发现 QML 模型的性能可以与经典基线相媲美，甚至更好。总之，HypaCADD 提供了利用 QC 进行 CADD 的成功策略。带有 Python 代码的 Jupyter Notebooks 可在 GitHub 上免费供学术使用：https://www.github.com/hypahub/hypacadd_notebook。 补充数据可在生物信息学在线获取。
While many quantum computing (QC) methods promise theoretical advantages over classical counterparts, quantum hardware remains limited. Exploiting near-term QC in computer-aided drug design (CADD) thus requires judicious partitioning between classical and quantum calculations. We present HypaCADD, a hybrid classical-quantum workflow for finding ligands binding to proteins, while accounting for genetic mutations. We explicitly identify modules of our drug-design workflow currently amenable to replacement by QC: non-intuitively, we identify the mutation-impact predictor as the best candidate. HypaCADD thus combines classical docking and molecular dynamics with quantum machine learning (QML) to infer the impact of mutations. We present a case study with the coronavirus (SARS-CoV-2) protease and associated mutants. We map a classical machine-learning module onto QC, using a neural network constructed from qubit-rotation gates. We have implemented this in simulation and on two commercial quantum computers. We find that the QML models can perform on par with, if not better than, classical baselines. In summary, HypaCADD offers a successful strategy for leveraging QC for CADD. Jupyter Notebooks with Python code are freely available for academic use on GitHub: https://www.github.com/hypahub/hypacadd_notebook. Supplementary data are available at Bioinformatics online.
登录
查看更多内容
影响因子：
5.5
作者：
Hess, Berk;Kutzner, Carsten;Lindahl, Erik
通讯作者：
Lindahl, Erik
影响因子：
48
作者：
Emani PS;Warrell J;Anticevic A;Bekiranov S;Gandal M;McConnell MJ;Sapiro G;Aspuru-Guzik A;Baker JT;Bastiani M;Murray JD;Sotiropoulos SN;Taylor J;Senthil G;Lehner T;Gerstein MB;Harrow AW
通讯作者：
Harrow AW
影响因子：
5.6
作者：
Bremer, Parker Ladd;De Boer, Danna;Sorin, Eric J.
通讯作者：
Sorin, Eric J.
DOI：
10.2147/dddt.s126344
发表时间：
2017
期刊：
Drug design, development and therapy
影响因子：
--
作者：
Arodola OA;Soliman ME
通讯作者：
Soliman ME
影响因子：
3
作者：
Duan, Y;Wu, C;Kollman, P
通讯作者：
Kollman, P