Quantum machine learning in drug discovery

Abstract

Drugs, through their interaction mainly with specific target proteins, regulate biochemical pathways and physiological functions in order to prevent and treat various diseases. The increasing costs and long development periods of new drugs are a major challenge for the pharmaceutical industry. According to recent data, 92.5% of drug candidates fail. This leads to a significant loss of resources and time with the average total cost of developing a drug being $879.3 million and the average development time being 15 years. The cost of developing new drugs is expected to continue to rise in the future, making it imperative to find new approaches that will reduce the cost and time of development. In recent years, machine learning has made significant contributions in this direction. Moreover, the large increase in available biological data has helped deep learning methods to demonstrate superior performance compared to conventional machine learning and other traditional computational methods. However, these methods are complex and time-consuming, which is a major obstacle to their practical application. In this context, quantum computing and quantum machine learning offer theoretically promising solutions to effectively address these challenges. This thesis addresses classical machine learning and quantum computing, and how these fields can be effectively combined to create a new research field of quantum machine learning. Furthermore, this paper presents in detail the applications of quantum machine learning in the field of drug discovery. Predicting the affinity of drug binding to target proteins is one of the most important issues in drug discovery. We present classical machine learning algorithms that predict binding affinity and discuss various issues such as data representation. We propose hybrid quantum-classical neural networks for predicting the binding affinity of target protein and potential drug as well as a framework for implementing and evaluating classical and hybrid quantum-classical neural networks. First, we design a variational quantum algorithm for value prediction and a one-dimensional classical convolutional neural network for parallel extraction of protein and drug features. Keeping the classical convolutional neural network fixed, we implement several classical and hybrid quantum-classical models. In the classical approach, three classical prediction modules of different complexities are implemented using three fully connected layers. While in the hybrid approach, five quantum prediction modules are implemented, integrating the variational quantum prediction algorithm with different quantum encodings and quantum circuits of different qubits. The experiments were performed in a simulator and our findings clearly show that hybrid quantum-classical models with lower complexity yield improved accuracy and generalization, demonstrating the quantum advantage. Moreover, the hybrid models speed up the training process in terms of epochs and achieve faster stabilization. The findings suggest that quantum machine learning is a promising direction. Finally, this thesis provides important insights and methodologies that can improve the implementation and evaluation of quantum machine learning approaches, enhancing their practical application in quantum noisy-intermediate-scale devices.

Τα φάρμακα μέσω της αλληλεπίδρασης τους κυρίως με συγκεκριμένες πρωτεΐνες-στόχους, ρυθμίζουν βιοχημικά μονοπάτια και φυσιολογικές λειτουργίες με στόχο την πρόληψη και τη θεραπεία των διαφόρων ασθενειών. Το αυξανόμενο κόστος και οι μακροχρόνιοι περίοδοι ανάπτυξης των νέων φαρμάκων αποτελούν σημαντική πρόκληση για τη φαρμακοβιομηχανία. Σύμφωνα με πρόσφατα δεδομένα, το 92.5% των υποψηφίων φαρμάκων αποτυγχάνει. Αυτό οδηγεί σε σημαντική απώλεια πόρων και χρόνου με το μέσο συνολικό κόστος ανάπτυξης ενός φαρμάκου να ανέρχεται στα 879.3 εκατομμύρια δολάρια και τον μέσο χρόνο ανάπτυξης του στα 15 χρόνια. Το κόστος της ανάπτυξης νέων φαρμάκων αναμένεται να συνεχίσει να αυξάνεται στο μέλλον, γεγονός που κάνει επιτακτική την ανάγκη εύρεσης νέων προσεγγίσεων που θα μειώσουν το κόστος και τον χρόνο ανάπτυξης. Τα τελευταία χρόνια, η μηχανική μάθηση έχει συνεισφέρει σημαντικά προς αυτή την κατεύθυνση. Επιπλέον, η μεγάλη αύξηση των διαθέσιμων βιολογικών δεδομένων έχει βοηθήσει τις μεθόδους βαθιάς μάθησης να επιδείξουν ανώτερες επιδόσεις σε σύγκριση με τη συμβατική μηχανική μάθηση και άλλες παραδοσιακές υπολογιστικές μεθόδους. Ωστόσο, οι μέθοδοι αυτές είναι πολύπλοκες και χρονοβόρες, γεγονός που αποτελεί σημαντικό εμπόδιο στην πρακτική εφαρμογή τους. Στο πλαίσιο αυτό, η κβαντική υπολογιστική και η κβαντική μηχανική μάθηση προσφέρουν θεωρητικά υποσχόμενες λύσεις για την αποτελεσματική αντιμετώπιση αυτών των προκλήσεων. Η παρούσα διατριβή πραγματεύεται τη κλασική μηχανική μάθηση και την κβαντική υπολογιστική, καθώς και τον τρόπο με τον οποίο αυτά τα πεδία μπορούν να συνδυαστούν αποτελεσματικά, στη δημιουργία ενός νέου ερευνητικού πεδίου αυτό της κβαντικής μηχανικής μάθησης. Επιπλέον, στη συγκεκριμένη εργασία παρουσιάζονται αναλυτικά οι εφαρμογές της κβαντικής μηχανικής μάθησης στο πεδίο της ανακάλυψης φαρμάκων. Η πρόβλεψη της συγγένειας πρόσδεσης φαρμάκων σε πρωτεΐνες-στόχους, είναι ένα από τα πιο σημαντικά θέματα στην ανακάλυψη φαρμάκων. Παρουσιάζουμε τους κλασικούς αλγόριθμους μηχανικής μάθησης που προβλέπουν τη συγγένεια πρόσδεσης και συζητάμε διάφορα θέματα όπως η αναπαράσταση των δεδομένων. Προτείνουμε υβριδικά κβαντο-κλασικά νευρωνικά δίκτυα για την πρόβλεψη της συγγένειας πρόσδεσης πρωτεΐνης-στόχου και πιθανού φαρμάκου καθώς και ένα πλαίσιο υλοποίησης και αξιολόγησης κλασικών και υβριδικών κβαντο-κλασικών νευρωνικών δικτύων. Αρχικά, σχεδιάζουμε ένα μεταβλητό κβαντικό αλγόριθμο για την πρόβλεψη τιμών και ένα κλασικό συνελικτικό νευρωνικό δίκτυο μιας διάστασης για την παράλληλη εξαγωγή χαρακτηριστικών των πρωτεϊνών και των φαρμάκων. Διατηρώντας το κλασικό συνελικτικό νευρωνικό δίκτυο σταθερό, υλοποιούμε διάφορα κλασικά και υβριδικά κβαντο-κλασικά μοντέλα. Στην κλασική προσέγγιση, υλοποιούνται τρία κλασικά τμήματα πρόβλεψης διαφορετικών πολυπλοκοτήτων χρησιμοποιώντας τρία πλήρως συνδεδεμένα στρώματα. Ενώ στην υβριδική προσέγγιση, υλοποιούνται πέντε κβαντικά τμήματα πρόβλεψης, συνδυάζοντας τον μεταβλητό κβαντικό αλγόριθμο πρόβλεψης, με διαφορετικές κβαντικές κωδικοποιήσεις, και με κβαντικά κυκλώματα διαφορετικών qubits. Τα πειράματα εκτελέστηκαν σε προσομοιωτή και τα ευρήματά μας δείχνουν σαφώς ότι τα υβριδικά κβαντο-κλασικά μοντέλα με χαμηλότερη πολυπλοκότητα αποδίδουν βελτιωμένη ακρίβεια και γενίκευση, επιδεικνύοντας το κβαντικό πλεονέκτημα. Επιπλέον, τα υβριδικά μοντέλα επιταχύνουν τη διαδικασία εκπαίδευσης όσον αφορά τις επαναλήψεις και επιτυγχάνουν ταχύτερη σταθεροποίηση. Τα ευρήματα υποδεικνύουν ότι η κβαντική μηχανική μάθηση αποτελεί μια υποσχόμενη κατεύθυνση. Τέλος, η παρούσα διατριβή παρέχει σημαντικές γνώσεις και μεθοδολογίες που μπορούν να βελτιώσουν την εφαρμογή και την αξιολόγηση των τεχνικών κβαντικής μηχανικής μάθησης, ενισχύοντας την πρακτική εφαρμογή τους σε κβαντικές θορυβώδες- ενδιάμεσης κλίμακας συσκευές.