インサイダーブリーフ
- 研究者らは、がん生物学の重要な役割を担うKRASタンパク質を標的とする2つの小分子を設計するハイブリッド量子古典モデルを開発した。
- この研究では、量子回路と古典的な機械学習を組み合わせて数百万の化合物をスクリーニングし、臨床検査で検証された 2 つの有望な薬剤候補が得られました。
- 初期の結果は可能性を示していますが、このアプローチは現在の量子技術によって依然として制限されており、臨床応用の前にさらなる最適化が必要です。
国際研究チームは、がんに関係するタンパク質を標的とする2つの有望な小分子の設計に成功したハイブリッド量子古典モデルを発表し、創薬における量子コンピューティングの利用における重要な一歩となった。
この研究は、 自然らは、量子計算ツールと古典的な計算ツールを組み合わせることで、構造の複雑さのために長い間標的とするのが難しいと考えられていたタンパク質であるKRASに対する潜在的な薬剤の設計をどのように強化できるかを実証しました。 KRASは肺がん、結腸直腸がん、膵臓がんなどのさまざまながんに関与するタンパク質であるため、科学者らは長い間KRASを標的とすることに興味を持っていた。そのため、治療法開発の重要な標的となっています。
しかし、その構造の複雑さと細胞シグナル伝達における役割により、効果的に阻害することが歴史的に困難となってきました。
この研究では、研究者らは15の候補分子を合成し、そのうちの2つは予備試験でKRAS阻害剤として有望であることが示され、さらなる開発への道が開かれた。
創薬は時間と費用がかかるプロセスであり、多くの場合、その期間は 10 年以上に及び、数十億ドルの投資が必要です。機械学習を使用して望ましい特性を持つ新しい分子構造を予測する生成モデルは、潜在的な薬剤候補の広大な化学空間をナビゲートする方法として登場しました。このプロセスに量子コンピューティングを統合することで、特に KRAS のような困難なターゲット向けの分子を設計する場合に、古典的な手法の限界に取り組むための新しいアプローチが提供されます。
「この研究は、古典的なモデルと比べても遜色ない、実験的に検証されたヒットを生成する量子コンピューティングの可能性を示しています」と研究チームは書いている。
研究者らによると、量子コンピューティングは重ね合わせやもつれなどの原理を利用して高次元のデータ空間を探索し、古典的なアルゴリズムでは見落としていた可能性のある分子設計を明らかにする可能性があるという。研究チームのハイブリッドモデルは、実行可能な薬剤候補を生成する点で純粋に古典的な方法よりも優れており、少なくとも相乗効果がある可能性があることを示唆している。
彼らは次のように書いています。「純粋に古典的なアルゴリズムは創薬において顕著な進歩を遂げましたが、古典と量子のハイブリッドアプローチは、量子回路ボーンマシン（QCBM）が重ね合わせやもつれなどの量子効果を利用できるため、独自の利点を提供します。 QCBM の導入はこの進歩を示しており、特定の面で従来のモデルを上回る生成モデルを提供します。 QCBM は、量子回路を利用して複雑な確率分布を学習する量子生成モデルであり、トレーニング日に似た新しいサンプルを生成できるようになります。」
方法論
研究者らは、3 段階のプロセスを使用して KRAS 阻害剤を設計およびテストしました。
研究チームはまず、文献からの既知の KRAS 阻害剤 650 個から始めて、110 万個の分子のデータセットを編集しました。彼らは、市販のライブラリーから 1 億の化合物をスクリーニングし、アルゴリズムを使用して既知の阻害剤の類似体を作成することで、このセットを拡張しました。分子は、合成可能性と薬物のような特性を考慮してフィルタリングされました。
次に、チームは分子設計に焦点を当てました。ハイブリッド モデルは、量子回路ベースの生成モデルと古典的な機械学習ネットワークを組み合わせたものです。 16 量子ビットの量子プロセッサは分子の「事前分布」を生成し、古典的なネットワークがそれを実行可能な候補に洗練しました。 KRAS結合特性を優先するように調整された報酬関数が、反復トレーニングプロセスを導きました。
最後のステップは実験による検証でした。研究者らは計算結果から 15 個の分子を合成し、実験室技術を使用してテストしました。 2 つの化合物、ISM061-018-2 および ISM061-022 は、KRAS への強い結合を示し、細胞ベースのアッセイにおいて顕著な毒性を示すことなくその活性を阻害しました。
有望な結果
分子 ISM061-018-2 は、がんに一般的に関連する G12D 変異体を含む、いくつかの KRAS 変異体にわたって広範な活性を示しました。細胞ベースのアッセイにおいて、高い結合親和性 (1.4 μM) と KRAS 相互作用の選択的阻害を実証しました。また、注意すべき点として、ISM061-022 は独特の作用機序を示し、G12R や Q61H などの特定の KRAS 変異体に対して選択性の向上を示しましたが、その効果は G12D 変異体に対してそれほど顕著ではありませんでした。
どちらの分子も予備試験でオフターゲット効果を回避し、さらなる開発の出発点としての可能性を強化しました。
初期の頃
研究チームは、この研究が「量子の利点」を証明し、古典的な手法では達成できない結果を達成したと言うまでには至っていません。このモデルの成功はハイブリッドアプローチに依存しており、量子コンピューティングだけでは創薬タスクにはまだ十分ではないことを示唆しています。現在は小規模量子プロセッサに依存しているため、分子探索の範囲も制限されています。
この研究で設計された化合物も初期段階の候補です。研究チームは、臨床試験を開始する前に、その有効性と安全性プロファイルを最適化する作業が残っていると書いている。正確な結合機構を確認するには、タンパク質結晶構造解析などの実験的方法が必要です。
今後の取り組み: Qubit Boost、トランスフォーマーベースのアルゴリズム
研究者らは、量子コンポーネント内の量子ビットの数を増やし、分子の多様性と品質を向上させるトランスフォーマーベースの生成アルゴリズムを探索することでモデルを強化することを計画しています。これらのアプローチを拡張すると、創薬に必要な時間がさらに短縮され、数年にわたる作業が数か月に圧縮される可能性があります。
この研究は、量子コンピューティングが古典的な手法をどのように補完できるかを実証することで、より効率的な創薬ワークフローの基礎を築きます。このテクノロジーはまだ成熟の途上にありますが、複雑なデータセットを処理し、革新的なソリューションを生成するその能力は、製薬研究の変革的な未来を示唆しています。
をご覧ください。 研究をより深く技術的に掘り下げるための論文。
このチームは研究のために世界中から膨大な数の科学者を集めました。トロント大学の研究者には、Mohammad Ghazi Vakili、Alan Aspuru-Guzik、Jamie Snider、Anna Lakisheva、Ardalan Hosseini Mansob、Zhong Yao、Lela Bitar、Danielle Tahoulas、Igor Stagljar、Dora Erina が含まれます。セントルイス出身。ジュード小児研究病院が掲載されています。ハーバード大学の代表者はクリストフ・ゴルグラ氏、クリシュナ・M・パドマナバ・ダス氏、ヒュール・コックスIII世氏です。スタンフォード大学にはアクシャットクマール・ニガムもいる。 Insilico Medicine AI Limited の研究者には、Dmitry Bezrukov、Alex Aliper、Eugene Radchenko、Xiao Ding、Jinxin Liu、Fanye Meng、Feng Ren、Alex Zhavoronkov が含まれます。 Insilico Medicine Canada, Inc. の代表者は Daniel Varoli です。ダニエル・ポリコフスキーも含まれます。ダナ・ファーバー癌研究所からは、クリシュナ・M・パドマナバ・ダス氏がリストされています。ザグレブ大学はレラ・ビタールとスプリット大学が代表を務めています。株式会社AQI地中海生命科学研究所 (MedILS) の代表者は Igor Stagljar です。
#量子コンピューティングは新しい抗がん剤候補の設計に役立つ