研发成本与周期压力

新药研发周期漫长、试验成本高昂，传统湿实验（体外/体内测试）难以高效覆盖海量化合物，导致前期筛选投入过大、试错成本极高，急需通过虚拟筛选压缩早期研发阶段的时间和资金消耗。

计算精度与效率的平衡困境

小分子构象数量庞大且组合空间极大，传统计算方法在面对大规模分子库时易遭遇“组合爆炸”；同时，为追求效率往往简化蛋白柔性（如采用刚性对接），导致预测精度下降，难以在大规模高通量筛选与蛋白结构动态变化之间取得有效平衡。

⚛️

量子组合优化重构
分子相似性筛选

🗺️

量子-经典融合的
药物早期发现闭环

QUBO建模 · 分子构象组合优化

方案将分子对接中的构象采样问题重构为量子计算可处理的二次无约束二进制优化（QUBO）模型，把“配体原子如何放入蛋白结合口袋”的连续空间搜索，离散为原子-网格点匹配问题。通过网格点匹配（GPM）和特征原子匹配（FAM）两种编码策略，将配体构象、口袋空间约束、原子间几何保持关系统一写入能量函数，使分子对接从传统启发式搜索转化为可由专用量子计算机求解的组合优化问题。

构象空间采样 · 量子全局搜索

构建“蛋白-配体结构输入→对接口袋网格离散化→GPM/FAM 特征编码→QUBO/Ising 模型构建→量子计算机全局采样→经典计算机姿态还原与打分”的量子-经典混合对接流程。专用量子计算主要承担 NP-hard 构象采样环节，经典计算负责后处理、RMSD计算和构象排序，实现对分子对接核心搜索瓶颈的专用量子计算辅助加速。

🔬

双模构象采样 · 精度与效率兼得

87.5%

GPM高质量构象采样率

在CASF-2016数据集257个测试案例中，GPM在225个案例（87.5%）中采样到高质量构象（mRMSD < 2 Å），平均mRMSD为1.1 Å，采样能力接近商业对接软件Glide SP（93.4%，平均 mRMSD 1.0 Å）；FAM在173个案例（67.3%）中达到mRMSD < 2 Å，平均mRMSD为1.8 Å，在计算资源需求上更轻量。

📈

量子加速比 · 毫秒级构象采样

~1000×

GPM量子加速比（vs 经典计算机）

运行效率上，论文估计GPM在量子硬件上的求解速度可比经典计算机快约1000倍，采样时间有望进入毫秒级；资源需求方面，CASF测试集中GPM最大量子比特需求约13,908，FAM约3,640，低于实验SPQC约10万量子比特规模，为小分子和多肽虚拟筛选提供了可扩展路径。

构象筛选与亲和力预测

有望缓解构象筛选面临的组合爆炸难题，高效搜寻最优结合构象，提升亲和力预测准确度。

原创成果产出

方法体系升级

大规模筛选与研发提速

快速完成大规模化合物筛选，缩减新药研发周期与实验投入，减少无效候选分子。

筛选周期缩短

标准化算法服务