量子计算+AI破解KRAS难题，新药研发迎来曙光
量子计算+AI破解KRAS难题，新药研发迎来曙光
在癌症治疗领域，KRAS靶点一直是最具挑战性的研究对象之一。作为人类肿瘤中最常见的突变基因，KRAS突变出现在约四分之一的癌症病例中，但长期以来，科学家们一直难以找到有效的抑制剂。近日，一项发表在Nature Biotechnology上的研究带来了突破性进展：英矽智能与多伦多大学等机构合作，首次利用量子计算与AI技术成功设计出新型KRAS抑制剂。
量子计算与AI的强强联合
研究团队开发了一种创新的量子-经典混合模型，将量子变分生成模型（QCBM）与长短期记忆网络（LSTM）相结合。这种混合模型能够处理传统计算机难以解决的复杂问题，特别是在分子结构模拟和化学反应预测方面展现出显著优势。
为了训练这一模型，研究人员构建了一个庞大的分子数据库，包含110万种分子信息。其中，650种是从文献中获得的已知KRAS抑制剂，85万种是通过STONED-SELFIES算法生成的类似物，另有25万种来自开源虚拟筛选平台VirtualFlow。如此丰富的训练数据使模型能够学习更广阔的化学空间，为后续的分子生成奠定了基础。
革新药物发现流程
在模型训练完成后，研究团队利用混合模型一次性生成了100万种候选分子。随后，他们借助英矽智能自主研发的Chemistry42生成式人工智能引擎，对这些分子进行多维度评估，包括类药性、对接评分、合成可及性等指标。最终，从15种优选候选分子中发现了两种具有潜力的KRAS抑制剂：ISM061-018-2和ISM061-022。
其中，ISM061-018-2表现出对野生型KRAS和多种常见突变型KRAS的抑制活性，具有成为泛RAS抑制剂的潜力。而ISM061-022则在特定突变型KRAS（如G12R和Q61H）上展现出更高效的抑制作用。
改变未来的医疗实践
这一突破不仅展示了量子计算在药物研发中的实际应用价值，更为解决“不可成药”靶点提供了新的解决方案。传统的药物发现方法往往需要耗费大量时间和资金，而通过量子计算与AI的结合，大部分筛选工作都能在云端完成，大幅缩短了研发周期，降低了成本。
多伦多大学化学与计算机科学教授Alán Aspuru-Guzik博士表示：“这项研究证明了量子计算机可以融入现代AI驱动的药物发现流程，并成功设计出能与生物靶标结合的活性分子。尽管目前还没有显示出显著的量子优势，但随着量子计算硬件的不断升级，我们有理由相信相关算法会越来越强大。”
英矽智能创始人兼CEO Alex Zhavoronkov博士指出：“多达85%的人类蛋白质被认为是‘不可成药’的，这一直是开发癌症新疗法的重大挑战。人工智能和量子计算的结合为解决这一难题提供了新的可能。”
这一突破性研究不仅为KRAS靶点的药物研发带来了新希望，更为整个药物发现领域开辟了新的发展方向。随着量子计算技术的不断进步，我们有望看到更多针对“不可成药”靶点的有效疗法问世，为癌症患者带来更好的治疗选择。