活性位点发现
QUANTUM × DRUG DISCOVERY
量子组合优化 · 加速靶向药物早期发现
⚛️ 专用量子计算机
🧬 残基图模型
🧪 变构位点
💊 分子筛选
📄 论文原文：BioRxiv · 活性位点发现（PDF）
业务痛点 PAIN POINTS
在药物研发的前期阶段，通过传统实验确定蛋白活性位点周期漫长、成本高昂，制约新药研发进程。伴随蛋白结构数据扩充与人工智能快速发展，计算预测成为高效手段。精准预测可成药的活性口袋，能够明确药物分子结合区域，指导分子对接和候选药物筛选，减少实验试错次数，缩短研发周期、降低研发投入；同时解析致病蛋白作用机制，提升候选分子成药概率，为靶向药物研发筑牢前期基础。
🧮
传统计算陷入局部最优
传统计算方式求解活性位点可以被建模为复杂组合优化问题，极易陷入局部最优解。
⚠️
现有 AI 方法存在多重短板
现有AI方法训练标签稀缺且分布不均衡，大多采用静态蛋白结构建模，忽视蛋白构象动态变化；在残基组合空间寻优时搜索策略单一，面对海量残基组合收敛困难；跨新型蛋白预测时假阳性偏高，优化结果和体内真实作用模式差距大，致使预测结果和湿实验吻合度较低。
场景亮点 HIGHLIGHTS
解决方案 SOLUTION
01
残基图建模 · 变构位点图谱搜索
方案将蛋白质结构抽象为残基图模型，以氨基酸残基作为节点、空间邻近关系作为边，并引入反向变构效应（RAE）作为残基权重，用于刻画残基参与变构调控的潜在贡献。通过将变构位点识别问题重构为最大权团（MWC）搜索，在全蛋白空间内寻找空间连续且变构效应总权重最高的残基子图，突破传统几何口袋搜索依赖预设口袋、容易漏检隐蔽变构位点的局限。
02
量子辅助优化 · 全流程技术闭环
形成“蛋白结构输入 → 正构配体扰动建模 → RAE残基权重计算 → 残基图/QUBO/Ising建模 → 专用量子计算机全局搜索 → 候选变构位点输出 → 突变与功能实验验证”的完整技术流程。量子辅助优化承担的是全局组合搜索角色，把复杂蛋白表面的位点发现问题从局部口袋枚举升级为全局能量图谱寻优，从而提升远端、隐蔽、非典型变构区域的发现能力。
落地效果 RESULTS
📊
基准测试表现
79.5%
案例中候选残基子图权重更高
在39个已知变构蛋白benchmark中，专用量子计算机在79.5%的案例中找到比传统几何搜索方法更高权重的候选残基子图，并在残基召回率和候选位点到已知变构配体距离等指标上识别出更多真实变构位点，说明其对已知变构区域的复现能力和定位精度均优于局部几何搜索。
🧪
新靶点位点发现与实验验证
2 个
此前未报道的潜在可成药变构位点
方案进一步用于GALR1和SIRT2两个重要药物靶点，发现2个此前未报道的潜在可成药变构位点；通过关键残基丙氨酸突变实验观察到显著功能变化，验证了预测区域具有真实变构调控作用，为抑郁、衰老等相关疾病靶点提供新的药物设计切入点。
应用价值 VALUE
基于量子‑经典混合模式可精准识别隐蔽活性位点，攻克传统手段难以处理的不可成药靶点；大幅压缩虚拟筛选耗时，减少湿实验投入，缩短新药研发周期并降低研发成本。
💊
面向药企
助力药企开展靶向分子理性设计，提升候选药物成药成功率。
理性分子设计
成药成功率提升
🚀
面向产业落地
推动抗肿瘤药物、多肽药物研发落地，为我国创新药产业实现技术弯道超车提供重要支撑。
抗肿瘤药物
多肽药物