由生成式人工智慧（AI）驅動的臨床階段生物醫藥科技公司Insilico Medicine （英科智能)今（17）日宣佈，公司的研究小組已開創性地將量子計算和生成式人工智慧兩項快速發展的技術相結合，探索藥物研發過程中的先導化合物的發現， 並成功證明量子生成對抗網路在生成化學中的潛在優勢。
這項研究發表在計算化學領域權威期刊美國化學學會旗下《Journal of Chemical Information and Modeling》雜誌，由Insilico Medicine專注於計算機輔助藥物研發工作的臺灣研發中心和鴻海研究院量子計算研究所（鴻海科技集團）共同領導。 該研究也含括了Insilico Medicine阿布達比研發中心和多倫多大學加速聯盟主任Alan Aspuru-Guzik教授的共同參與。
鴻海研究院量子計算研究所謝明修所長說：「量子計算可以用來處理複雜的計算問題，用於藥物開發上，將有助於加快藥物開發的速度和降低成本，很高興和英科智能的合作取得了階段性的研究成果。」
生成式對抗網路（GANs）是藥物發現和設計中最成功的生成模型之一。 經典的GAN模型由一個生成器（生成網路）和一個判別器（判別網路）組成，生成器通過學習訓練集數據的特徵，將隨機雜訊分佈盡量擬合為訓練數據的真實分佈，從而生成具有訓練集特徵的相似數據。 而判別器負責區分輸入的數據的真實性，並反饋給生成器。 期間生成器與判別器交替訓練，分別提高各自的生成能力和判別能力，直到生成器生成的數據能夠以假亂真。
在這項研究中，研究人員通過三個實驗，逐步以變分量子線路（VQC）取代MolGAN（一種用於小分子圖的隱式生成式模型）的各個部分，包括作為雜訊產生器、切片法下的生成器和判別器，並將混合模型產生的結果與經典GAN 模型輸出的結果相對比，探索量子生成式對抗網路在小分子藥物發現中的潛在優勢。
研究顯示，當作為生成器時，僅使用少量參數的量子GAN模型可以生成類似訓練集的分子，而且量子GAN模型在生成化合物的藥物性質和以目標為基準分子設計方面優於經典GAN模型。 當作為判別器時，幾十個可學習參數的量子GAN模型即可生成與擁有幾萬個可學習參數的經典GAN模型相當的類藥性質分子，且量子GAN模型在分子獨特性上有一定優勢。
Insilico Medicine 台灣研發中心負責人、英科智能總經理林彥竹博士表示，量子計算是下一個將對所有行業產生巨大影響的技術突破，製藥業被認為將是第一波受益於此技術進步的行業之一。 本次研究探索了在量子計算和人工智慧兩大前沿技術驅動下的分子生成，也是Insilico Medicine宏大願景下的首次嘗試。
這項具有前景的前瞻性探索，將進一步支援Insilico Medicine的研發團隊將量子GAN模型整合到自主研發的小分子生成引擎Chemistry42中，以便更高效和精準的推進人工智慧驅動的藥物發現。 作為利用GAN開展分子生成和設計的領跑者之一，Insilico Medicine在2016年就發表了該領域的第一篇論文，並已經在基於包括GAN、自然語言學習（NLP）、自注意力機制（ Transformer）等的生成式模型構建的人工智慧平台 Pharma.AI 的賦能下發現了11個臨床前候選化合物，其中進展最快的專案已經在I期臨床實驗中得到了驗證。
Insilico Medicine創始人兼首席執行官Alex Zhavoronkov博士表示，「相信這是我們旅程中的第一小步，為我們的量子計算團隊通過努力和創新取得的積極成果感到自豪。 Insilico Medicine目前正在探索以多種量子模型驅動的藥物化學發現突破性實驗，我們期待早日與工業界和學術界分享Insilico Medicine在這個領域的最佳實踐。 」
英科智能網站 http://www.insilico.com