分子相似性筛选
QUANTUM × MOLECULAR SCREENING
量子组合优化 · 加速虚拟筛选进程
⚛️ 专用量子计算机
🧩 组合优化
🧪 虚拟筛选
💊 先导分子发现
📄 论文原文：BioRxiv · 活性位点发现（PDF）
业务痛点 PAIN POINTS
随着海量化合物数据库持续扩充，传统高通量筛选成本高昂、筛选效率有限，分子相似性分析依托结构‑活性关联原理成为虚拟筛选的核心环节。在产业层面，它能够快速缩减候选分子范围，降低分子对接的计算负荷，大幅减少湿实验投入。
🧮
人工特征依赖 · 检索耗时较长
传统指纹或者三维匹配算法高度依赖人工设定特征，泛化能力不足；处理大规模化合物库时计算开销大，检索耗时较长。
⚠️
构象表征欠缺 · 假阴性偏高
仅侧重表面结构匹配，难以充分考量分子构象动态变化与空间柔性问题；同时对分子间非共价相互作用表征欠缺，最终造成筛选结果偏向假阴性，漏掉潜在高活性候选药物分子。
场景亮点 HIGHLIGHTS
解决方案 SOLUTION
01
原子匹配重构 · MWIS 组合求解
方案将传统分子相似性计算中的"原子匹配"问题重构为组合优化问题，把候选分子与先导分子之间的潜在原子-原子对应关系表示为图节点，并以化学兼容性作为节点权重；同时引入原子冲突、几何约束等边约束，将最优相似性匹配转化为最大权独立集（MWIS）求解。通过专用量子计算机进行全局寻优，突破传统贪心搜索、遗传算法在大规模分子图匹配中易陷入局部最优、相似性评分不稳定的问题。
02
量子辅助筛选闭环 · me-better 分子发现
构建“已知活性分子输入 → 原子匹配图构建 → QUBO/Ising 模型 → 专用量子计算机并行求解 → 相似性评分排序 → Top hit 实验验证”的筛选闭环（对应下图），用量子辅助优化替代传统启发式相似性搜索中的核心瓶颈环节，实现从已知活性片段出发的 me-better 分子发现，为先导化合物扩展、骨架优化和活性片段快速放大提供可落地的计算筛选路径。
落地效果 RESULTS
📊
基准测试表现
89.1%-100%
分子对达到或优于经典启发式算法
在DUD数据集4类任务上，本方案在89.1%至100%的分子对中达到或优于经典启发式算法，并在32.8%至88.9%的案例中获得更优MWIS解；计算时间相较CPU贪心搜索和遗传算法降低1至5个数量级，绝大多数分子对可在0-4ms内完成求解。
🧪
真实靶点筛选与实验验证
5 个
微摩尔级结合分子（SPR 验证）
在AURKA、SIRT3、CDK2等真实药物靶点筛选中，量子相似性筛选Top 30命中分子中发现2-8个中高活性片段，而随机对照组仅有1-2个中等活性片段且无高活性片段；在SARS-CoV-2 PLPRO靶点中，Top 10筛选分子经SPR验证获得5个微摩尔级结合分子，其中Frag160的KD = 27.1 μM，并通过共晶结构验证其结合于已知抑制剂相同变构位点。
应用价值 VALUE
将量子优化算法应用于三维分子相似性筛选，能够高效完成海量化合物库筛选工作，减少经典计算带来的时间损耗。
💡
面向药企
助力药企跳出传统骨架局限发现新型先导分子，规避专利壁垒，降低湿实验成本，提升苗头化合物发掘效率。
新型先导分子
规避专利壁垒
🚀
面向研发赋能
为创新药早期研发阶段赋能，加快靶向药物落地进程。
早期研发赋能
靶向药物落地