KRAS 是癌症中極為常見的 “問題蛋白”，在大約四分之一的人類腫瘤中都存在 KRAS 突變。這種突變會讓細胞無限制增殖，從而引發癌症。雖然相關突變非常普遍且危害巨大，但目前被 FDA 批准的、專門針對 KRAS 突變的藥物僅有兩種，而且它們只能在一定程度上延長患者的生存期。對很多癌症患者來説，亟需能帶來更大獲益的新型 KRAS 療法。
在近期發表於Nature Biotechnology的研究中，來自英矽智能（Insilico Medicine）與加拿大多倫多大學、以及其他科研機構如聖裘德兒童研究醫院等，展開了一次 “量子計算 + 經典計算 + 生成式 AI” 的跨界合作，嘗試從頭設計出對付 “不可成藥” KRAS 的新型抑制劑分子。
<img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/5a653bca-07c4-4e17-afba-d2b80c23ee33.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="774" height="421" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/5a653bca-07c4-4e17-afba-d2b80c23ee33.png"/>
該研究首次展示了量子計算結合 AI 在藥物早期發現過程中的潛在優勢，為高難度靶點的治療方案帶來了新的希望。
<h2>量子計算 +AI，如何構建藥物分子生成過程</h2>
研究團隊提出了一種量子 - 經典混合的生成框架：結合 ** 量子變分生成模型（QCBM）和長短期記憶網絡（LSTM）** 來協同設計新分子。具體而言，他們用一個包含 110 萬種分子的定製數據集對量子 - 經典混合模型進行 “訓練”。這個龐大的數據來源包括：
<ul type="disc">
<li>650 個已在文獻中被證實可阻斷 KRAS 的分子，</li>
<li>使用 STONED-SELFIES 算法在已知 KRAS 抑制劑基礎上衍生出的 85 萬種類似物，</li>
<li>通過虛擬篩選平台 VirtualFlow 獲取的 25 萬種分子。</li>
</ul>
如此豐富的訓練數據，讓量子 - 經典混合模型學到更廣闊的 “化學空間”，為後續生成多樣化的候選分子奠定了基礎。
接下來，就是量子與經典的協同生成過程。
在這套量子 - 經典混合模型中，
<ul type="disc">
<li>QCBM：充當量子生成模型，利用量子電路來學習複雜的概率分佈，生成與訓練數據相似卻 “尚未被探索” 的分子結構。它同時還充當 “先驗（prior）”，引導 LSTM 的分子序列生成。</li>
<li>LSTM：則發揮經典 AI 模型的優勢，能理解並生成序列數據。通過引入 QCBM 輸出的概率分佈，LSTM 在生成新的化學結構時可以更精準地把握分子多樣性，避免過度擬合或收斂於熟悉的結構。</li>
</ul>
<img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/f9c7a598-6f4c-403a-849f-083646d75cad.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="844" height="713" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/f9c7a598-6f4c-403a-849f-083646d75cad.png"/>
在實際應用中，研究團隊先用混合模型一次性產生了 100 萬種候選分子。接着，他們藉助英矽智能自主研發的Chemistry42生成式人工智能引擎，對這些分子進行系統的評估和篩選，包括類藥性、對接評分、合成可及性等多個維度，從中挑選出 15 種最具潛力的候選分子進入實驗室測試。 
<h2>從雲端篩選到實驗驗證</h2>
與傳統藥物發現相比，這種方法不需要依賴大規模的物理化合物庫來進行昂貴、冗長的高通量篩選。相反，大部分篩選工作都能在雲端完成，大大降低成本與時間。而在最終實驗室階段，針對那 15 種優選分子進行了 “濕實驗” 測試，結果發現 2 個分子格外突出。
其中，名為ISM061-018-2的分子既有較強的靶向 KRAS 活性，又未表現出明顯的細胞毒性。同時，它對野生型 KRAS 和多種常見突變型 KRAS（以及野生型 HRAS、NRAS）都具有抑制活性，展現出成為 “泛 RAS 抑制劑” 的潛力。
另外一個分子ISM061-022則在針對某些突變型 KRAS（如 G12R、Q61H）上表現出更高效的抑制作用，也同樣有望發展成為廣譜抗癌藥物的候選。
值得注意的是，目前的研究還無法證明這類量子 - 經典混合方法比純經典方法 “更優”，但至少説明量子計算在藥物早期發現中具備可行性和潛在加速作用。隨着量子計算硬件的不斷升級，其在生成式模型中的應用前景也會相應擴大。
多倫多大學化學與計算機科學教授Alán Aspuru-Guzik博士表示：“這是一次原理驗證的研究，它初步表明量子計算機能夠融入現代 AI 驅動的藥物研發流程，併成功設計出能與生物靶標結合的活性分子。儘管目前還沒看到 ‘量子計算對經典方法的絕對優勢’，但隨着量子硬件能力增強，我們期望相關算法會越來越 ‘顯威’。”
在獲得了針對 KRAS 成功的早期成果後，研究團隊計劃把這套量子 - 經典混合模型推廣到更多 “不可成藥” 的蛋白靶點上。與 KRAS 類似，這些蛋白小巧、表面缺乏能與化合物穩定結合的 “口袋”，一直是藥物研發中最棘手的目標之一。研究人員還將繼續優化已經獲得的 KRAS 苗頭化合物，並在動物模型中進行驗證，力求為癌症患者帶來更有效的新一代分子。
英矽智能創始人兼 CEO Alex Zhavoronkov博士表示：“多達 85% 的人類蛋白質被認為是 ‘不可成藥’ 的，如何從這些蛋白中 ‘開拓出可能性’，一直是抗癌研究的挑戰所在。人工智能剛好能在這塊難啃的骨頭上展現獨特的力量。我們非常高興能與多倫多大學攜手，把量子計算融入 AI 驅動的藥物發現流程，為人類健康謀求更多的可能。”
<h2>量子與 AI 融合前景廣闊</h2>
事實上，這並非英矽智能與多倫多大學的首次 “聯手”。早在 2023 年，他們就在Journal of Chemical Information and Modeling上發表了第一篇合作論文，通過多個實驗場景將變分量子線路（VQC）逐步取代經典生成模型 MolGAN 的不同部分，探討量子生成對抗網絡在小分子藥物發現中的應用。
本次最新發表於 Nature Biotechnology的成果，再次印證了量子計算在藥物設計階段擁有的潛在價值。隨着量子計算技術與 AI 生成式模型的進一步結合，未來或許能更快、更精準地篩選到針對那些 “疑難靶點” 的活性分子，為更多患者帶去希望。
雖然目前還不能斷言量子計算已經超越經典算法，但英矽智能作為 AI 製藥領域的先行探索者，正積極尋求量子計算與 AI 相結合的方式，以便在量子計算技術獲得突破時取得先發優勢。 這一思路也與國際上對於 AI 藥物研發的樂觀預期相呼應。
諾獎得主兼 Google DeepMind 首席執行官 Demis Hassabis 近日在達沃斯世界經濟論壇上表示，今年底前，基於 AI 設計的藥物有望進入臨牀試驗。
這些藥物由 Alphabet 旗下 Isomorphic Labs 研發，旨在從第一性原理重塑藥物發現流程。Hassabis 指出，AlphaFold 技術已成功預測 2 億種蛋白結構，為精準研發提供了前所未有的可能。
在這一背景下，更多科研機構、初創企業和大型跨國藥企都在持續探索 AI 與量子計算等前沿技術的結合。AI不僅能夠幫助科學家從龐大的分子空間中快速篩選潛在候選物，還可進一步藉助量子計算的強大算力，尋找更符合 “不可成藥” 靶點需求的新分子設計思路。

英矽智能

英矽智能結合量子計算與 AI，突破 KRAS 靶點藥物研發瓶頸

- KRAS 突變在四分之一腫瘤中存在，亟需新型療法。  
- 研究結合量子計算與 AI，設計新型 KRAS 抑制劑。  
- 量子 - 經典混合模型展示藥物發現潛力，助力抗癌研究。

量子計算 +AI，打破藥物研發瓶頸？