شرکت Insilico Medicine، یک شرکت کشف دارو مبتنی بر هوش مصنوعی (AI) مرحله بالینی، امروز اعلام کرد که دو فناوری به سرعت در حال توسعه، محاسبات کوانتومی و هوش مصنوعی مولد را ترکیب کرده است تا نامزد اصلی در توسعه دارو را کشف کند و با موفقیت مزایای بالقوه شبکه های متخاصم مولد در شیمی کوانتومی را نشان دهد.
شبکه‌های متخاصم مولد (GANs) یکی از موفق‌ترین مدل‌های مولد در کشف و طراحی دارو هستند و نتایج قابل‌توجهی را برای تولید داده‌هایی که از توزیع داده‌ها در وظایف مختلف تقلید می‌کنند، نشان داده‌اند. مدل کلاسیک GAN از یک ژنراتور و یک تفکیک کننده تشکیل شده است. مولد نویزهای تصادفی را به عنوان ورودی می گیرد و سعی می کند از توزیع داده ها تقلید کند و تمایز دهنده سعی می کند بین نمونه های جعلی و واقعی تمایز قائل شود. یک GAN تا زمانی آموزش داده می شود که متمایز کننده نتواند داده های تولید شده را از داده های واقعی تشخیص دهد.
در این مقاله، محققان مزیت کوانتومی در کشف داروی مولکولی کوچک را با جایگزین کردن هر بخش از یک GAN ضمنی برای نمودارهای مولکولی کوچک، با یک مدار کوانتومی متغیر (VQC)، از جمله به عنوان مولد نویز، ژنراتور با روش پچ، بررسی کردند و عملکرد آن را با همتای کلاسیک مقایسه می کند.
این مطالعه نه تنها نشان داد که GANهای کوانتومی آموزش‌دیده می‌توانند با استفاده از VQC به‌عنوان مولد نویز، مولکول‌هایی شبیه مجموعه آموزشی تولید کنند، بلکه مولد کوانتومی از GAN کلاسیک در خواص دارویی ترکیبات تولید شده و معیار هدفمند بهتر عمل می‌کند.
این مطالعه نشان داد که تمایز کوانتومی GAN با تنها ده‌ها پارامتر قابل یادگیری می‌تواند مولکول‌های معتبر تولید کند و از نظر ویژگی‌های مولکول تولید شده و امتیاز واگرایی KL از همتای کلاسیک با ده‌ها هزار پارامتر برتری دارد.
بر اساس این یافته‌ها، دانشمندان Insilico قصد دارند مدل ترکیبی GAN کوانتومی را در موتور تولید مولکول‌های کوچک اختصاصی این شرکت، ادغام کنند تا روند کشف و توسعه دارو مبتنی بر هوش مصنوعی را تسریع و بهبود بخشند.
لینک مقاله:
https://pubs.acs.org/doi/10.1021/acs.jcim.3c00562
