Учёные в свободное время скрестили генеративный ИИ с квантовым компьютером, и научились точнее предсказывать пептиды для вакцин

Группа из Датского технического университета (DTU) показала, что квантовый компьютер способен повысить точность и охват генеративной ИИ-модели, применяемой для поиска новых лекарств. Работу вели неофициально, по выходным и на неизрасходованные деньги от других проектов, потому что, по словам руководителя проекта, профессора DTU Тимоти Патрика Дженкинса, «по-настоящему новаторская наука пугает большинство фондов».

Команда объединила свою генеративную модель для предсказания белков с квантовым компьютером размером с принтер, построенным британским стартапом ORCA Computing; квантовая машина связывалась с обычными процессорами и ускоряла работу ИИ. Гибридная система генерировала новые пептиды, короткие цепочки аминокислот, способные связываться с конкретными белками в организме, что является ключевым шагом при разработке вакцин.

Пептиды, предложенные моделью, синтезировали в лаборатории и проверили на связывание с нужными белками: гибридная модель с квантовым ускорением показала больше успешных пептидов, чем обычная классическая версия того же алгоритма, причём разрыв был особенно заметен там, где обучающих данных было мало. По мнению команды, это может ускорить разработку персонализированной иммунотерапии и вакцин, а также повысить эффективность лекарств для недостаточно изученных групп населения, большая часть медицинских данных сегодня собрана на выборках из западных стран, из-за чего сложно подбирать пептиды, работающие, например, для населения Азии или Африки.

Сам Дженкинс признаётся, что поначалу был «убеждённым скептиком» в отношении квантовых вычислений и считал, что их практическое применение в его области, дело «десятилетий». Идея подключить квантовый компьютер возникла после того, как команда узнала о похожем эффекте разнообразия при генерации изображений квантовыми моделями, и решила проверить, даст ли это более разнородный набор пептидов именно там, где данных не хватает.

В то же время авторы подчёркивают ограничения: нынешние квантовые компьютеры слишком малы, чтобы обучать по-настоящему крупные современные ИИ-модели целиком, поэтому во многих задачах классический компьютер пока даёт лучший результат. Аспирант DTU Джонатан Функ поясняет, что «уровень сложности, который получилось закодировать, не дотягивает до антитела нормального размера, того, с чем команда обычно работает». К тому же поиск пептида, связывающегося с конкретным белком, лишь один из шагов на пути к готовому лекарству, а не гарантия успеха.

Глава ORCA Computing Ричард Мюррей отмечает, что скепсис индустрии в отношении квантовых вычислений закономерен, поскольку у технологии до сих пор не было понятных примеров пользы в близкой перспективе; по его словам, эта работа, как раз такой пример коммерчески применимого сценария. ORCA параллельно реализует проекты с нефтяной компанией BP (химия) и автопроизводителем Toyota (оптимизация процесса проектирования).

Далее команда DTU планирует проверить, заработает ли та же схема с более продвинутыми моделями и более крупными белками, а Дженкинс отдельно рассматривает применение квантово-усиленной генеративной модели для разработки синтетических антидотов против змеиных ядов.

Ключевые факты

• Команда DTU совместно со стартапом ORCA Computing подключила квантовый компьютер размером с принтер к генеративной ИИ-модели предсказания белков.
• Гибридная модель предложила пептиды, короткие цепочки аминокислот для связывания с белками-мишенями, точнее классической версии, особенно там, где данных для обучения было мало.
• Результат может ускорить создание персонализированной иммунотерапии и вакцин и улучшить лекарства для групп населения, слабо представленных в существующих данных (например, в Азии и Африке).
• Проект сделан неофициально, по выходным, на остатки бюджета от других проектов, из-за трудностей с финансированием рискованных научных идей.
• Авторы подчёркивают ограничения: квантовые компьютеры пока слишком малы для полноценных крупных моделей, а найденный пептид, лишь один шаг из многих на пути к готовому лекарству.

Почему это важно

Это один из первых случаев, когда квантовые вычисления дают измеримое улучшение в реальной задаче генеративного ИИ, предсказании пептидов для вакцин, а не остаются теоретической демонстрацией. Улучшение оказалось особенно заметным именно там, где данных для обучения мало, а это как раз слабое место современных биологических моделей.

Кому это важно

Разработчикам вакцин и иммунотерапии, фармацевтическим исследователям, работающим с недостаточно изученными популяциями и редкими (orphan) заболеваниями, а также самой квантовой индустрии, ORCA Computing получает пример коммерчески применимого сценария для своих технологий, наряду с проектами с BP и Toyota.

Как это применить

Метод пока экспериментальный: команда DTU намерена испытать ту же связку с более крупными белками и более современными моделями, а также применить квантово-усиленную генерацию для синтетических антидотов против змеиных ядов. Для практического внедрения в фармацевтике потребуется довести подход до масштаба полноразмерных антител и пройти остальные этапы разработки лекарств.

Можно ли доверять

Результат подтверждён не только расчётами: предложенные моделью пептиды синтезировали в лаборатории и экспериментально проверили на связывание с целевыми белками, и именно там гибридная модель обошла классическую. Авторы честно указывают на пределы метода, размер квантового компьютера и объём того, что удалось закодировать, ограничены.

Риски и подводные камни

Квантовые компьютеры пока слишком малы, чтобы обучать модели такого масштаба, с каким команда обычно работает (полноразмерные антитела), поэтому во многих задачах классический компьютер пока эффективнее. Найденный пептид, связывающийся с нужным белком, только один шаг к вакцине или лекарству, а не готовый результат.

«Нам нужно было по-настоящему это доказать, чтобы убедить скептиков: наши предсказания действительно связаны с реальным миром.»

— Тимоти Патрик Дженкинс, профессор Датского технического университета (DTU), руководитель проекта