量子計算+生物制藥產(chǎn)業(yè)與技術發(fā)展研究報告目錄編制說明..............................................................................................

4一、時代浪潮下生物醫(yī)藥產(chǎn)業(yè)迎來歷史性機遇..............................

51.1

全球醫(yī)藥市場發(fā)展態(tài)勢與創(chuàng)新藥研發(fā)的挑戰(zhàn)....................

51.2

中國醫(yī)藥產(chǎn)業(yè)正處于轉型的關鍵時期................................

61.3

“AI+量子”策略成為制藥創(chuàng)新核心引擎

..............................

7二、全球競速：生物醫(yī)藥與量子計算的戰(zhàn)略布局..........................

92.1

國際發(fā)展態(tài)勢圖景................................................................

92.2

我國政策規(guī)劃體系與“十五五”新規(guī)前瞻............................

92.3

產(chǎn)業(yè)資本與創(chuàng)新生態(tài)發(fā)展趨勢..........................................

11三、當代藥物發(fā)現(xiàn)的計算革命：從

CADD

到

AIDD

...................

133.1

“偶然發(fā)現(xiàn)”到“數(shù)據(jù)驅動”的演進

.......................................

133.2

經(jīng)典計算面臨的根本性瓶頸..............................................

13四、AIDD

的輝煌與理論上限.........................................................

154.1

AlphaFold2

引領的

AIDD

浪潮...........................................

154.2

精度瓶頸：“量子物理”的天花板......................................

154.3

復雜度瓶頸：“組合爆炸”的老大難..................................

16五、量子計算賦能加速藥物發(fā)現(xiàn)三大路徑....................................

175.1

路徑一：發(fā)揮組合優(yōu)化天然優(yōu)勢......................................

175.2

路徑二：構建量子增強機器學習模型..............................

175.3

路徑三：重構生成式

AI

模型

...........................................

18六、諾獎級理論驅動量子計算機的物理實現(xiàn)................................

196.1

從諾獎理論到量子計算硬件的物理實現(xiàn)..........................

196.2

伊辛模型：藥物發(fā)現(xiàn)優(yōu)化的統(tǒng)一物理語言......................

216.3QUBO模型：優(yōu)化問題的標準化“語言”...........................

226.4

量子計算技術路徑對比......................................................

23七、量子計算+生物制藥關鍵應用場景解析

.................................

28發(fā)揮組合優(yōu)化天然優(yōu)勢——加速藥物篩選與設計...........

28構建量子增強機器學習模型——探索化學與構象空間...

307.3

重構

AI

模型——實現(xiàn)分子從頭設計與優(yōu)化

...................

337.4

新型量電融合計算平臺.......................................................

35八、量子計算重塑生物制藥未來....................................................

378.1

相干光量子計算的未來展望...............................................

378.2

超導量子計算的未來展望...................................................

37編制說明藥物發(fā)現(xiàn)（AIDD）成為了發(fā)展最快、成果最顯著的方向。但作為經(jīng)典計算框架下的巔峰之作，其能力高度依賴于訓練數(shù)據(jù)的質量與廣度，并受限于經(jīng)典物理的描述范疇。近年來，以量子信息科學為代表的量子科技迅猛發(fā)展，掀起了第二次量子革命的興起。量子計算基于量子力學的疊加原理展開了全新的計算模式，它提供了一種從根本上實現(xiàn)并行計算的思路，具備極大超越經(jīng)典計算能力的潛力，有望解決

AIDD

的理論瓶頸，為生物制藥的研發(fā)瓶頸注入變革性力量。當前形勢下，國內(nèi)外均在積極布局量子計算戰(zhàn)略，聯(lián)合國宣布2025

年為“國際量子科學與技術年”，同時

2025

年也成為藥物研發(fā)模式的一個分水嶺，行業(yè)正在從高度依賴經(jīng)驗的傳統(tǒng)路徑，全面轉向由人工智能（AI）驅動、量子計算增強的智能化新范式。在此背景下，聯(lián)盟組織研究編寫了《量子計算+生物制藥產(chǎn)業(yè)與技術發(fā)展研究報告》，針對量子計算+生物制藥的產(chǎn)業(yè)發(fā)展、藥物發(fā)人工智能在生物制藥領域取得了巨大突破，特別是人工智能 現(xiàn)計算發(fā)展的變革、量子計算賦能藥物發(fā)現(xiàn)的技術路線、應用場景案例等進行跟蹤研判，同時對量子計算+生物制藥發(fā)展趨勢前景進行展望，供業(yè)界參考。編制單位：中國電子信息產(chǎn)業(yè)發(fā)展研究院網(wǎng)絡安全研究所、量子科技長三角產(chǎn)業(yè)創(chuàng)新中心、粵港澳大灣區(qū)量子科技與產(chǎn)業(yè)創(chuàng)新聯(lián)盟、中山大學藥學院、北京玻色量子科技有限公司、中國移動云能力中心研究報告編寫組成員：溫曉君、周旭、楊云祥、傅宇龍、何雨宸、鄭留帥、王維、熊楓、金晱、陳偉、李蘇川、胡文浩、郭磊、李哲、文凱、馬寅、湯俊杰、杜雪虹、錢嶺、黃智國一、時代浪潮下生物醫(yī)藥產(chǎn)業(yè)迎來歷史性機遇1.1

全球醫(yī)藥市場發(fā)展態(tài)勢與創(chuàng)新藥研發(fā)的挑戰(zhàn)生物醫(yī)藥產(chǎn)業(yè)是一個關乎人類健康和生命科學前沿的產(chǎn)業(yè)，其發(fā)展狀況與全球經(jīng)濟及科技進步緊密相連。當前，生物醫(yī)藥產(chǎn)業(yè)的全球發(fā)展現(xiàn)狀顯示出幾個顯著的特點和趨勢。首先，全球生物醫(yī)藥產(chǎn)業(yè)的競爭格局呈現(xiàn)出美國和歐洲國家的主導地位，但中國等新興經(jīng)濟體的企業(yè)競爭力正在逐步增強。2025

年

6月全球知名行業(yè)媒體

Pharmaceutical

Executive

公布了一年一度的全球制藥企業(yè)

50

強榜單（2025Pharm

Exec

Top

50Companies），其中有

6

家中國制藥企業(yè)上榜，數(shù)量創(chuàng)歷史新高，這反映出中國的創(chuàng)新藥領域全球化征程已起航，其在全球生物醫(yī)藥產(chǎn)業(yè)中的影響力日益增強。其次，生物技術的迅猛發(fā)展正推動生物醫(yī)藥產(chǎn)業(yè)向微觀縱深方向加速發(fā)展。2024

年以來，基因編輯、人工智能、量子計算等新技術的持續(xù)突破提升了新藥產(chǎn)業(yè)化效率，小分子化藥、抗體藥、細胞治療藥、核酸藥物等新藥賽道齊相發(fā)力驅動新藥開發(fā)向“高能級”方向發(fā)展，創(chuàng)新模式也呈現(xiàn)出網(wǎng)絡化和全球化的特點。根據(jù)

Citeline

旗下

Pharmaprojects最新發(fā)布的《2025

年醫(yī)藥研發(fā)年度回顧》報告，全球在研藥物數(shù)量再創(chuàng)歷史新高，達到

23875

個，較

2024

年增長

4.60%。其中美國依然占據(jù)全球醫(yī)藥創(chuàng)新的中心地位，研發(fā)占比

48%，中國則持續(xù)保持追趕態(tài)勢，研發(fā)項目占比

29.5%。同時，全球生物醫(yī)藥產(chǎn)業(yè)的市場規(guī)模持續(xù)增長，特別是生物藥的增速較快。根據(jù)最新統(tǒng)計數(shù)據(jù)，全球生物醫(yī)藥市場規(guī)模預計將突破

1.5

萬億美元，其中中國占比超過

20%，市場規(guī)模達

3.2

萬億元人民幣，2020-2025

年復合增長率高達

17.6%，展現(xiàn)出強勁的發(fā)展勢頭。從產(chǎn)業(yè)結構來看，化學藥、生物藥和中藥三大板塊呈現(xiàn)差異化發(fā)展態(tài)勢，其中生物藥以

28%的占比成為增長最快的細分領域，2024年市場規(guī)模已達

4913

億元，預計

2025

年將突破

8000

億元大關。新藥研發(fā)的加速與創(chuàng)新藥物的出現(xiàn)是當前全球生物醫(yī)藥產(chǎn)業(yè)的一個重要趨勢。隨著科技的快速發(fā)展，特別是在生物技術和化學技術領域，新藥的開發(fā)周期正在縮短，新藥物的研發(fā)速度明顯加快。新藥研發(fā)的加速主要得益于高通量篩選技術、基因編輯技術、組合化學技術等現(xiàn)代生物技術的應用。然而藥物研發(fā)長期面臨高風險、長周期和高成本的三大問題，量子前哨發(fā)布的《2025版量子計算+生物制藥白皮書》統(tǒng)計傳統(tǒng)藥物從發(fā)現(xiàn)到上市平均需

10-15

年，耗資數(shù)十億美元，而臨床試驗成功率僅為

12.9%。挑戰(zhàn)的核心在于經(jīng)典計算在生物分子模擬中的精度和效率存在雙重局限。精度缺陷體現(xiàn)在現(xiàn)有模型難以刻畫生物系統(tǒng)的多尺度非線性特征，效率瓶頸則源于生物數(shù)據(jù)的爆炸式增長。隨著量子計算的崛起，憑借其強大的并行計算能力，為藥物研發(fā)提供了全新的視角。1.2

中國醫(yī)藥產(chǎn)業(yè)正處于轉型的關鍵時期“十四五”時期，我國生物醫(yī)藥產(chǎn)業(yè)迎來了從實驗室到臨床轉化的“加速期”，一批靶向藥物、細胞治療、基因編輯等前沿技術加速從實驗室走向患者，轉化速度實現(xiàn)與國際水平同步，部分品種在療效數(shù)據(jù)上甚至實現(xiàn)“彎道超車”。同時隨著《“十四五”醫(yī)藥工業(yè)發(fā)展規(guī)劃》、《醫(yī)藥工業(yè)高質量發(fā)展行動計劃（2023—2025

年）》、《制造業(yè)數(shù)字化轉型行動方案》、《關于全面深化藥品醫(yī)療器械監(jiān)管改革促進醫(yī)藥產(chǎn)業(yè)高質量發(fā)展的意見》等系列文件先后出臺，進一步加速推進數(shù)字化、智能化技術在醫(yī)藥工業(yè)領域的推廣應用。在相關政策支持和產(chǎn)業(yè)持續(xù)創(chuàng)新的共同推動下，我國醫(yī)藥工業(yè)自動化、信息化、數(shù)字化發(fā)展的基礎更加堅實，以人工智能為代表的新一代信息技術與醫(yī)藥研發(fā)融合日益深入，為我國醫(yī)藥工業(yè)進一步實現(xiàn)數(shù)智化轉型帶來新機遇。與此同時，醫(yī)藥工業(yè)在數(shù)智化發(fā)展過程中仍面臨頂層設計和協(xié)調(diào)引導不夠完整、企業(yè)主動轉型能力不足、支撐服務體系有待完善等問題。2025

年

4

月，工業(yè)和信息化部等

7

部聯(lián)合印發(fā)了《醫(yī)藥工業(yè)數(shù)智化轉型實施方案（2025—2030

年）》（以下簡稱《實施方案》），該《實施方案》深入推進人工智能賦能新型工業(yè)化，推動新一代信息技術與醫(yī)藥產(chǎn)業(yè)鏈深度融合，加快推進醫(yī)藥工業(yè)數(shù)智化轉型，進一步提高企業(yè)核心競爭力，提升藥品質量安全水平，增強供應保障能力，培育和發(fā)展新質生產(chǎn)力，促進醫(yī)藥工業(yè)高質量發(fā)展。1.3

“AI+量子”策略成為制藥創(chuàng)新核心引擎當前，AI

和大數(shù)據(jù)技術、量子算法的融合，以及新型計算工具和基礎設施解決方案，如數(shù)據(jù)庫、云服務等，都在重新定義新藥開發(fā)的模式。越來越多的量子計算企業(yè)將醫(yī)藥作為重要應用場景，其中

IBM、谷歌、英特爾、亞馬遜、微軟等企業(yè)都在開發(fā)量子計算云平臺的同時，不約而同地布局醫(yī)藥應用；同時，一批量子計算的初創(chuàng)企業(yè)也積極與量子計算機開發(fā)企業(yè)合作或利用量子云平臺，將量子計算與醫(yī)藥開發(fā)知識相結合，開發(fā)用于藥物發(fā)現(xiàn)等方面的工具，以加速應用開發(fā)。人工智能驅動藥物開發(fā)的重要性也越來越突出，人工智能驅動的新藥設計與開發(fā)主要分為三大類：從頭藥物設計、現(xiàn)有數(shù)據(jù)庫虛擬篩選和藥物再利用。從頭藥物設計主要由深度生成

AI

模型實現(xiàn)，包括英矽智能的Chemistry42軟件、Iktos

公司的

Makya和

Ro5

公司的DeNovo。現(xiàn)有數(shù)據(jù)庫虛擬篩選方面，應用

AI

賦能的超大規(guī)模虛擬篩選，可從數(shù)十億分子中篩選出成功的苗頭化合物。許多公司使用再利用策略進行人工智能藥物發(fā)現(xiàn)，這一類的公司包括Healx、Benevolent

AI、BioXcel

Therapeutics，主要使用自然語言處理模型和機器學習，通過分析大量的非結構化文本數(shù)據(jù)，研究文章和專利、電子健康記錄以及其他數(shù)據(jù)類型來建立和搜索“知識圖譜”。與傳統(tǒng)計算機輔助藥物研發(fā)相比，AI

具有數(shù)據(jù)量大、精度高、新穎性強等優(yōu)勢。越來越多的企業(yè)布局

AI

賦能藥物開發(fā)業(yè)務，根據(jù)

Deep

Pharma

Intelligence發(fā)布的數(shù)據(jù)，截至

2024年，全球約有

800

家

AI

公司輔助藥物研發(fā)。多個權威報告指出，2025

年已成為藥物研發(fā)模式的一個分水嶺——行業(yè)正在從高度依賴經(jīng)驗的傳統(tǒng)路徑，全面轉向由人工智能（AI）驅動、量子計算增強的智能化新范式。這一年生成式AI、量子計算、機器學習深度融合、協(xié)同發(fā)力，共同構成了一個更強大、更智能的藥物研發(fā)系統(tǒng)。這不僅是一次技術升級，更是一次研發(fā)范式的根本性轉變。2025

年之所以被稱為“轉折點”，正是因為這些技術的成熟度與實踐價值已通過多項驗證，使得“AI+量子”這一混合策略，演進為全球藥物研發(fā)體系中不可或缺的核心支柱。二、全球競速：生物醫(yī)藥與量子計算的戰(zhàn)略布局2.1

國際發(fā)展態(tài)勢圖景2024

年，聯(lián)合國宣布

2025

年為“國際量子科學與技術年”，這一舉措旨在提升公眾對量子科學及應用重要性的認識。量子技術目前尚未完全實現(xiàn)大規(guī)模商業(yè)化，但研發(fā)和商業(yè)化步伐正在加快。2025

年

9

月

23

日，美國白宮管理與預算辦公室（OMB）與科技政策辦公室（OSTP）聯(lián)合向各聯(lián)邦部門與機構發(fā)布《2027

財年政府研發(fā)預算優(yōu)先事項及跨領域行動》備忘錄，將人工智能與量子信息科學與技術置于

2027

年研發(fā)預算優(yōu)先級首位。白宮備忘錄指出，量子科技正處于從實驗室走向產(chǎn)業(yè)化應用的關鍵拐點。當前，量子計算快速發(fā)展，在醫(yī)藥領域展示出廣闊的應用前景。2023

年全球醫(yī)藥領域量子計算的市場價值為

8500

萬美元，預計到

2028

年將超過

5

億美元，復合年增長率高達

42.5%，美國、日本、丹麥等國已加速相關部署。在此形勢下，英國國家量子計算中心于

2025

年

3

月發(fā)布《醫(yī)療制藥與量子計算的融合：醫(yī)學新前沿》洞察報告，認為量子計算有望加速醫(yī)療保健和制藥領域的進步，解決藥物發(fā)現(xiàn)、診斷、個性化醫(yī)療和醫(yī)療保健服務方面的一些最復雜的挑戰(zhàn)，量子計算在未來數(shù)十年內(nèi)對醫(yī)藥領域可能帶來的變革性影響。2.2

我國政策規(guī)劃體系與“十五五”新規(guī)前瞻2024

年《政府工作報告》將量子科技納入未來產(chǎn)業(yè)規(guī)劃，以“開辟新賽道”為導向完成頂層設計。一年后，政策重點已轉向“建立投入增長機制”與“培育未來產(chǎn)業(yè)”，實現(xiàn)從宏觀布局到機制構建、從賽道開辟到產(chǎn)業(yè)培育的關鍵轉變。這一戰(zhàn)略深化既依托于關鍵領域的技術突破，也凸顯國家將量子科技作為新質生產(chǎn)力核心引擎的戰(zhàn)略定位，為“十五五”時期的突破發(fā)展奠定堅實基礎。2025

年政府工作報告明確提出“建立未來產(chǎn)業(yè)投入增長機制”和“培育量子科技等未來產(chǎn)業(yè)”，覆蓋基礎研究到產(chǎn)業(yè)化的全鏈條支持。一是突破芯片、測控等核心器件與設備底層技術；二是構建“量子+”生態(tài)，通過揭榜掛帥推動產(chǎn)學研融合，加速金融、醫(yī)療等場景落地。這一政策框架為產(chǎn)業(yè)鏈上下游企業(yè)提供了較為清晰的研發(fā)和市場拓展路徑，標志著國家戰(zhàn)略進一步聚焦量子技術產(chǎn)業(yè)化。在“十五五”規(guī)劃綱要中，量子科技首次被提升至國家戰(zhàn)略支柱產(chǎn)業(yè)的高度，標志著中國正式將量子科技作為未來產(chǎn)業(yè)升級的核心引擎。量子科技在“十五五”規(guī)劃中的定位超越了單一技術范疇，成為連接多領域創(chuàng)新的戰(zhàn)略支點。量子計算與人工智能的融合被視為下一代計算革命的重要方向。人工智能在處理高維數(shù)據(jù)、復雜優(yōu)化問題時，常面臨計算復雜度指數(shù)級增長的瓶頸，而量子計算憑借疊加態(tài)與糾纏態(tài)特性，在并行計算、全局優(yōu)化等任務中具備天然優(yōu)勢。聚焦廣東政策與戰(zhàn)略布局，2025

年

2

月，《廣東省建設現(xiàn)代化產(chǎn)業(yè)體系

2025

年行動計劃》正式印發(fā)，廣東省在頂層設計中將量子科技確立為未來產(chǎn)業(yè)的核心方向，同年

1

月，廣東省人民政府辦公廳關于印發(fā)《廣東省加快建設生物制造產(chǎn)業(yè)創(chuàng)新高地》，明確提出深入推進生物科技關鍵共性技術、前沿引領技術、現(xiàn)代工程技術、顛覆性技術創(chuàng)新，推動生物技術（BT）與信息技術（IT）的深度融合，搶占生物制造科技創(chuàng)新戰(zhàn)略制高點。量子計算作為下一代信息技術的顛覆性力量，是推動

BT-IT深度融合的關鍵方向與未來演進的重點。在實施路徑上，廣東一方面依托粵港澳大灣區(qū)量子科學中心、廣州實驗室等重大平臺匯聚跨領域創(chuàng)新資源，另一方面通過探索“實驗室經(jīng)濟”等新型創(chuàng)新生態(tài)，鼓勵“樓上創(chuàng)新、樓下創(chuàng)業(yè)”，為量子計算與生物醫(yī)藥等前沿技術的交叉驗證與成果轉化提供了機制保障。此外，通過廣東省量子科學戰(zhàn)略專項及生物醫(yī)藥領域的企業(yè)聯(lián)合基金等多元化投入機制，廣東持續(xù)支持包括交叉領域在內(nèi)的基礎研究與核心技術攻關，為“十五五”未來產(chǎn)業(yè)的前瞻布局埋下了關鍵伏筆。2.3

產(chǎn)業(yè)資本與創(chuàng)新生態(tài)發(fā)展趨勢量子領域根據(jù)《2024

年量子計算產(chǎn)業(yè)發(fā)展展望》統(tǒng)計，2018

至

2023

年間，全球共有

19

個國家的

98

家量子計算企業(yè)（包括

59

家硬件企業(yè)和

39

家軟件企業(yè)）完成

230

筆融資。從融資規(guī)模來看，美國以5.794

億美元遙遙領先，中國雖在亞洲地區(qū)位居前列，融資總額為6060

萬美元，但仍與美國存在數(shù)量級差距。行業(yè)預測指出，2027年末至

2028

年初將是關鍵時間節(jié)點，屆時專用量子計算機有望在組合優(yōu)化、量子化學、機器學習等領域實現(xiàn)突破，進而推動材料設計與藥物開發(fā)等實際應用落地。作為粵港澳大灣區(qū)量子科技創(chuàng)新的核心引擎，廣州已構建起完整的量子科技研發(fā)生態(tài)體系。在基礎研究維度，琶洲實驗室量子計算中心、中山大學量子研究院和華南理工大學量子實驗室三大科研重鎮(zhèn)協(xié)同發(fā)力，重點突破光量子芯片設計、超導量子計算等關鍵核心技術，成功研制出具有國際先進水平的

72

比特量子計算原型機，為量子計算產(chǎn)業(yè)化奠定堅實基礎。在技術轉化維度，粵港澳大灣區(qū)量子科學中心作為區(qū)域協(xié)同創(chuàng)新平臺，整合廣深港實用化邁出關鍵一步。澳優(yōu)質科研資源；量子信息共享中試平臺提供專業(yè)的器件制備與測試服務；規(guī)劃建設的量子科技產(chǎn)業(yè)園將打造完整的產(chǎn)業(yè)生態(tài)，形成從基礎研發(fā)到產(chǎn)品測試再到產(chǎn)業(yè)化的全鏈條轉化體系。在應用落地維度，廣州積極推動產(chǎn)學研深度融合，與華為共建的量子計算實驗室專注于量子-經(jīng)典混合計算系統(tǒng)的研發(fā)，與騰訊合作的量子算法項目已在金融風控領域取得實質性應用突破，同時建成的粵港澳大灣區(qū)量子通信網(wǎng)絡廣州節(jié)點，標志著量子通信技術向AIDD

領域《2023

年中國

AI

新藥研發(fā)（AIDD）行業(yè)全景圖譜》指出我國

AIDD

產(chǎn)業(yè)已初步形成區(qū)域集聚與鏈條分工的發(fā)展格局。從地域分布來看，AIDD

企業(yè)高度集中于北京（占比

29.2%）、廣東（20.8%）和上海（20.8%），江蘇與浙江等地也具備一定基礎。從產(chǎn)業(yè)鏈結構來看，上游由華為云、騰訊云、天數(shù)智芯、英特爾等技術平臺企業(yè)主導，提供算力與底層技術支持；中游則以深勢科技、英矽智能（Insilico

Medicine）、分子之心、華深智藥等為代表，專注于

AI

藥物建模、靶點發(fā)現(xiàn)、分子生成等核心環(huán)節(jié)，構建起本土

AIDD研發(fā)的關鍵力量。從區(qū)域發(fā)展來看，廣東省憑借其在政策引導、產(chǎn)業(yè)集群與資本活力等方面的綜合優(yōu)勢，正成為全國

AIDD

產(chǎn)業(yè)的重要高地。作為粵港澳大灣區(qū)的核心引擎，廣東不僅在全省層面將生物醫(yī)藥與健康產(chǎn)業(yè)列為戰(zhàn)略性支柱產(chǎn)業(yè)集群，更在《廣州市戰(zhàn)略性新興產(chǎn)業(yè)發(fā)展“十四五”規(guī)劃》中明確支持

AI

與生物醫(yī)藥的交叉融合，為AIDD

發(fā)展提供了堅實的政策土壤。在產(chǎn)業(yè)生態(tài)方面，廣東依托廣州國際生物島、深圳坪山國家生物產(chǎn)業(yè)基地等載體，形成了涵蓋藥物發(fā)現(xiàn)、臨床前研究、臨床試驗的全鏈條服務體系。此外，本土科技巨頭如華為云、騰訊云為

AIDD

提供強大的算力與平臺支撐，而深圳未知君、晶泰科技等創(chuàng)新企業(yè)也在

AI

藥物設計、干濕實驗閉環(huán)等方向展現(xiàn)出技術獨特性，進一步強化了廣東在融合人工智能與生命科學前沿領域的創(chuàng)新活力。三、當代藥物發(fā)現(xiàn)的計算革命：從

CADD

到

AIDD3.1

“偶然發(fā)現(xiàn)”到“數(shù)據(jù)驅動”的演進新藥研發(fā)是守護人類健康的基石，但其過程漫長、成本高昂且失敗率驚人。為攻克這一難題，計算科學與生物制藥的融合，催生了一場深刻的范式革命。這條演進之路，清晰地展現(xiàn)了從依賴經(jīng)驗與偶然的傳統(tǒng)藥物發(fā)現(xiàn)，到基于物理模型的計算機輔助藥物設計（CADD），再到由數(shù)據(jù)與算法驅動的人工智能藥物發(fā)現(xiàn)（AIDD）的跨越式發(fā)展。早期的藥物發(fā)現(xiàn)，更像是一場“大海撈針”式的探索，高度依賴于對天然產(chǎn)物的篩選和偶然的實驗發(fā)現(xiàn)，其過程缺乏方向性，效率低下且難以復制。隨后，隨著計算機科學和結構生物學的進步，CADD

應運而生，將藥物研發(fā)帶入了“理性設計”時代。通過分子建模、分子對接等技術，研究人員得以在計算機上模擬藥物分子與生物靶點的相互作用，從而進行有指導性的篩選和優(yōu)化，這標志著計算力量在制藥領域的首次規(guī)模化應用。進入

21

世紀，以機器學習和深度學習為核心的

AIDD

技術，伴隨著生物數(shù)據(jù)爆炸式增長登上了歷史舞臺。如果說

CADD

是“結構驅動”，那么

AIDD的核心則是“數(shù)據(jù)驅動”。它不僅能從海量數(shù)據(jù)中挖掘出復雜的生物學規(guī)律，還能創(chuàng)造性地生成全新的候選藥物分子，將藥物研發(fā)推向了前所未有的智能化高度。3.2

經(jīng)典計算面臨的根本性瓶頸從

CADD

到

AIDD

的每一次躍遷雖是巨大進步，但其經(jīng)典計算的內(nèi)核正面臨雙重瓶頸。其一，AIDD

對海量數(shù)據(jù)的依賴，與充滿噪聲和批次效應的生物學數(shù)據(jù)現(xiàn)狀形成尖銳矛盾；其二，在面對生命系統(tǒng)內(nèi)在的“量子效應”與“組合爆炸”等根本性難題時，經(jīng)典計算的“天花板”也已清晰可見。這些挑戰(zhàn)共同預示著，一場更深層次的計算革命勢在必行。圖

3-1

藥物發(fā)現(xiàn)的范式演進四、AIDD

的輝煌與理論上限4.1

AlphaFold2

引領的

AIDD

浪潮人工智能在生物制藥領域取得的巨大突破，以

AlphaFold2

的問世為標志。它以前所未有的速度和精度解決了困擾生物學界半個世紀的“蛋白質折疊問題”——其預測結果的

GDT

中位數(shù)（衡量蛋白質結構相似度的指標）為

92.4

分（滿分

100

分），達到了與實驗方法相媲美的水平。這一顛覆性成就不僅極大地加速了藥物靶點的發(fā)現(xiàn)與理解，更直接催生并引爆了“AI

for

Science”這一激動人心的新賽道，吸引了數(shù)十億美元的風險投資涌入，其中，人工智能藥物發(fā)現(xiàn)（AIDD）成為了發(fā)展最快、成果最顯著的方向。在

AIDD

浪潮的推動下，從靶點發(fā)現(xiàn)、虛擬篩選、分子生成到合成路線規(guī)劃，AI

技術幾乎滲透了新藥研發(fā)的每一個環(huán)節(jié)，顯著提升了研發(fā)效率，并已成功推動多個

AI

設計的候選藥物進入臨床試驗階段。4.2

精度瓶頸：“量子物理”的天花板然而，盡管取得了革命性的成就，但作為經(jīng)典計算框架下的巔峰之作，AIDD

的理論上限也逐漸清晰。其核心在于，當前的

AI模型本質上是強大的模式識別與數(shù)據(jù)插值工具，其能力高度依賴于訓練數(shù)據(jù)的質量與廣度，并受限于經(jīng)典物理的描述范疇。首先，在精度層面，AIDD

面臨“量子物理”的天花板。藥物分子與靶蛋白的相互作用，其本質是電子層面的量子力學行為。精準預測藥物的結合親和力，是衡量其活性的關鍵，而這要求計算精度達到所謂的“化學精度”（約

1kcal/mol）。計算中

1.4

kcal/mol

的誤差，就可能導致對藥物活性近十倍的錯誤預判。AI

模型可以從實驗數(shù)據(jù)中學習這種相互作用的結果，卻無法從第一性原理出發(fā)精確模擬其過程（從最基本的物理學理論出發(fā)，推導出系統(tǒng)的物理性質），因此在預測結合自由能、催化反應能壘等關鍵參數(shù)時，始終存在一道難以逾越的精度鴻溝。其次，在規(guī)模與復雜度層面，AIDD

仍未擺脫“組合爆炸”的陰影。無論是探索廣闊的化學空間（據(jù)估計，具有類藥性的小分子數(shù)量超過

10^60

種）以從頭設計新分子，還是在多維的構象空間中尋找最優(yōu)解，這些問題本質上都是

NP-hard

問題（多項式時間難以求解的問題）。例如，一個僅包含

70

個變量的組合優(yōu)化問題，其可能性總數(shù)就高達

2^70（約

1.18×10^21），比地球上沙粒的總數(shù)還多出百倍。AI

可以通過高效的啟發(fā)式搜索策略找到高質量的解，但無法保證在多項式時間內(nèi)找到全局最優(yōu)解。4.3

復雜度瓶頸：“組合爆炸”的老大難AIDD

的理論上限，是由經(jīng)典物理的近似性和經(jīng)典計算的復雜性理論共同決定的。這種上限在諸如分子對接加速和超大規(guī)模相似分子篩選等場景中表現(xiàn)得尤為突出：AI

雖然能快速篩選，但無法保證找到能量最低的最優(yōu)構象，也難以在天文數(shù)字般的化學空間中進行無遺漏的全局搜索。正是為了突破這些在精度和全局尋優(yōu)能力上的根本性瓶頸，新的計算范式亟待提出。五、量子計算賦能加速藥物發(fā)現(xiàn)三大路徑面對

AIDD

的理論上限，量子計算并非簡單地作為一種更快的計算機出現(xiàn)，而是提供了一套全新的計算邏輯與解決思路?；诋斍暗挠布墒於群退惴ㄑ芯浚孔佑嬎阒饕ㄟ^以下三大核心路徑，為生物制藥的研發(fā)瓶頸注入變革性力量。5.1

路徑一：發(fā)揮組合優(yōu)化天然優(yōu)勢首先，也是最直接的路徑，是發(fā)揮其在求解組合優(yōu)化問題上的天然優(yōu)勢。生物制藥領域含有大量的

NP

難組合優(yōu)化問題。其核心科學原理在于，量子系統(tǒng)能夠利用量子疊加性和并行性。一個包含

N

個量子比特的寄存器，可以通過疊加態(tài)同時表示

2^N

個可能的狀態(tài)，這意味著量子計算機在一次操作中就能處理經(jīng)典計算機需要

2^N

次才能完成的計算量。專用優(yōu)化設備，如

D-Wave

通過物理系統(tǒng)的演化，并借助量子隧穿效應，能夠“穿越”能量壁壘，避免像經(jīng)典算法那樣輕易陷入局部最優(yōu)解，從而有更大幾率找到問題的全局最優(yōu)解。這不僅意味著“更快”，更意味著能找到“更好”的解，對于尋找分子最低能量構象這類問題至關重要。這是當前量子計算最有望在近期實現(xiàn)商業(yè)價值、解決行業(yè)實際痛點的方向。5.2

路徑二：構建量子增強機器學習模型其次，是構建量子增強的機器學習模型。許多先進

AI

算法的核心是高效地從復雜數(shù)據(jù)分布中采樣，而量子系統(tǒng)是天生的“采樣器”。其科學原理在于伊辛模型的數(shù)學表達可與玻爾茲曼機網(wǎng)絡的拓撲結構映射。一個物理量子優(yōu)化器會自發(fā)地趨向其能量最低的狀態(tài)，該體系的不同狀態(tài)的能量分布服從玻爾茲曼分布，也反映了該狀態(tài)出現(xiàn)的概率。經(jīng)典采樣算法常面臨收斂慢、模式坍塌等問題，而量子采樣器則能更自然、高效地探索整個概率空間。通過將量子采樣器作為核心模塊嵌入經(jīng)典機器學習框架，有望構建出表達能力更強、訓練效率更高的量子玻爾茲曼機（QBM）等生成式模型，從而生成經(jīng)典模型難以發(fā)現(xiàn)的新穎、優(yōu)質分子。5.3

路徑三：重構生成式

AI

模型最后，是基于量子計算重構生成式模型加速藥物發(fā)現(xiàn)。除了基于從已有分子庫中篩選具有活性的分子，藥物發(fā)現(xiàn)的另一個途徑是從頭設計和和生成分子并優(yōu)化其性質，借助目前主流的生成模型

VAE、GAN、diffusion

model，可以結合靶點活性口袋構成，靶向生成具有高親和力的分子，但目前基于高斯分布先驗的模型假設往往會造成模型的失真，量子計算基于能量分布可以更真實地表征化學分子的隱空間，重構當前的深度學習模型，得到泛化性能更佳的生成模型。圖

5-1

量子計算賦能生物制藥的三階段發(fā)展規(guī)劃六、諾獎級理論驅動量子計算機的物理實現(xiàn)6.1

從諾獎理論到量子計算硬件的物理實現(xiàn)物理學的深邃思想，特別是關于如何利用物理系統(tǒng)本身特性來解決復雜計算問題的理念，正以前所未有的方式推動著計算技術的革命。無論是相干光量子計算還是超導量子計算，其目標都是將微觀世界的量子規(guī)律轉化為宏觀可用的超級算力，從而突破經(jīng)典計算的瓶頸。“以物理系統(tǒng)尋找能量基態(tài)來實現(xiàn)計算”這一思想，其價值和前瞻性在

2024

年得到了頂峰的印證。人工智能領域的先驅

JohnHopfield

與

Geoffrey

Hinton因其開創(chuàng)的霍普菲爾德網(wǎng)絡（HopfieldNetwork）和玻爾茲曼機而榮獲諾貝爾物理學獎，其核心數(shù)學結構，正是脫胎于物理學的伊辛模型。這一里程碑式的認可，深刻揭示了物理學模型是現(xiàn)代

AI算法的基石，當

AI

領域的突破回歸到對伊辛模型的深刻洞察時，如何高效地在物理世界中實現(xiàn)并求解伊辛模型，便成為了推動下一代計算發(fā)展的關鍵。6.1.1

相干光量子計算機的物理實現(xiàn)在此背景下，量子退火機作為第一代專用硬件應運而生，其先驅

D-Wave

公司不僅將其開發(fā)使用量子退火用于優(yōu)化，更展現(xiàn)了其作為玻爾茲曼采樣器在訓練量子玻爾茲曼機（QBM）上的潛力。近期成果尤為矚目

2025

年

2

月，研究人員已成功在其

Pegasus

硬件上實現(xiàn)了包含

120

個可見單元和

120

個隱藏單元的大規(guī)模量子受限玻爾茲曼機（QRBM），并將其作為強大的生成模型，在毫秒級時間內(nèi)高效解決了

AI

領域的數(shù)據(jù)集不平衡問題，生成的合成數(shù)據(jù)質量顯著優(yōu)于傳統(tǒng)方法。然而，量子退火機在面對生物制藥等領域的復雜問題時，其稀疏的硬件連接拓撲和高昂的超低溫運維成本仍構成了核心瓶頸。而更進一步的實現(xiàn)方案，基于相干伊辛機（Coherent

IsingMachine,

CIM）的光量子計算應運而生。它繼承了“物理即計算”的理念，但通過一個由光脈沖和光學反饋構成的網(wǎng)絡來模擬伊辛系統(tǒng)。這種光學架構不僅能在室溫下運行，更天然地支持靈活乃至全連接的耦合，直接克服了量子退火機的關鍵限制。更重要的是，CIM

不僅是高效的優(yōu)化器，其物理過程更使其成為一個強大的硬件級玻爾茲曼采樣器。它能繞過經(jīng)典采樣算法的瓶頸，為訓練更強大的生成式

AI

模型（如

QBM）以發(fā)現(xiàn)新穎分子，提供了前所未有的高效工具。6.1.2

超導量子計算機的物理實現(xiàn)超導量子計算機是量子計算領域主要技術路徑之一，其物理實現(xiàn)基于在極低溫下呈現(xiàn)量子效應的超導電路（即超導量子比特）。這些量子比特利用超導材料在接近絕對零度時表現(xiàn)出的零電阻和量子特性，并通過精密的微波脈沖進行操控與讀取。超導量子計算機的核心優(yōu)勢主要包括良好的工程可擴展性和在特定問題上展現(xiàn)出的指數(shù)級算力潛力。可擴展性得益于超導量子電路可采用成熟的半導體微納加工工藝進行制備，使得集成大量量子比特更具可行性。而其算力潛力則源于量子比特的疊加和糾纏特性，例如，搭載

100

個量子比特的超導量子計算機，理論上能同時處理

2

的

100

次方個計算任務，從而在優(yōu)化、模擬等復雜問題上具有經(jīng)典計算機難以比擬的潛力。然而，超導量子計算機的發(fā)展仍面臨挑戰(zhàn)。首先，其運行依賴極低溫環(huán)境（通常需低于零下

273

攝氏度），這需要復雜的稀釋制冷系統(tǒng)。其次，量子比特的量子相干時間（即保持量子態(tài)的時間）仍有限，且易受環(huán)境噪聲影響而發(fā)生退相干，同時量子門操作的精度和錯誤率也是當前需要攻克的關鍵技術難題。值得注意的是，通過技術手段（例如在超導量子比特中引入特定無序）有望在一定參數(shù)區(qū)間內(nèi)提升量子相干時間。盡管存在挑戰(zhàn)，超導量子計算機目前仍是主流量子計算方案中工程化進展較快的路徑之一，在量子計算技術發(fā)展中展現(xiàn)出廣闊前景，已在金融、航空航天、生物醫(yī)藥、材料科學等領域展開了應用探索，展現(xiàn)出解決復雜問題的潛力。隨著量子糾錯等技術的進步，超導量子計算機有望在未來為復雜系統(tǒng)模擬、藥物設計等6.2

伊辛模型：藥物發(fā)現(xiàn)優(yōu)化的統(tǒng)一物理語言提供更強大的計算支持。研究者發(fā)現(xiàn)，以上訴求與物理系統(tǒng)自發(fā)趨向能量基態(tài)的過程與組合優(yōu)化尋求目標函數(shù)最小值的本質具有一致性。伊辛模型正是連接這兩個層次的核心數(shù)學框架——它將優(yōu)化問題轉化為物理系統(tǒng)的能量最小化求解。圖

6-1

伊辛模型物理示意圖為了高效求解這類問題，研究者們一直在探索如何普適性地描述并求解這類優(yōu)化任務。一個令人振奮的發(fā)現(xiàn)是，某些源自物理學的模型，其描述物理系統(tǒng)如何自發(fā)演化并趨向能量最低的穩(wěn)定狀態(tài)的數(shù)學形式，與組合優(yōu)化問題尋找最優(yōu)解（通常對應某種“成本”或“目標函數(shù)”的最小值）的過程，展現(xiàn)出了深刻的內(nèi)在一致性。“伊辛模型”正是這樣一個強大且極具代表性的物理模型和數(shù)學工具。伊辛模型最初用于描述統(tǒng)計物理學中磁性物質的相變現(xiàn)象，它刻畫了一個由大量相互作用的、只有兩種狀態(tài)（例如“自旋向上”或“自旋向下”）的基本單元（“自旋”）組成的系統(tǒng)。該系統(tǒng)的總能量（在物理學中稱為哈密頓量

H）取決于各個自旋的狀態(tài)以及它們之間的相互作用強度，通常由以下公式給出：H(σ)=?∑i<jJijσiσj?∑i

hiσi（1）其中σi代表第

i

個自旋變量（在最簡單的模型中，取值為

+1或

?1，分別代表兩種相反的狀態(tài)）Jij是自旋??和自旋??之間的耦合（相互作用）強度hi則是作用在自旋

i

上的外部（偏置）場強度物理系統(tǒng)的一個基本法則是，它們總是會自發(fā)地趨向于使其總能量

H(σ)最小化的狀態(tài)，這個狀態(tài)被稱為系統(tǒng)的基態(tài)。伊辛模型的價值體現(xiàn)在兩個層面：其一是優(yōu)化，物理系統(tǒng)總是會自發(fā)地趨向于使其總能量

H

最小化的狀態(tài)，這個狀態(tài)被稱為系統(tǒng)的基態(tài)。通過巧妙的數(shù)學“翻譯”，大量的組合優(yōu)化問題的目標函數(shù)可以被精確地表示成伊辛模型的能量函數(shù)形式，因此，尋找組合優(yōu)化問題的最優(yōu)解就等價于尋找相應伊辛模型的基態(tài)。另一個價值體現(xiàn)則是采樣，當系統(tǒng)處于一個有限的“有效溫度”下，它會根據(jù)玻爾茲曼分布（Boltzmann

Distribution）在不同的能量狀態(tài)間進行探索，即某個狀態(tài)出現(xiàn)的概率與其能量的負指數(shù)成正比。這恰好與一類重要的生成式

AI

模型——玻爾茲曼機的數(shù)學原理完全一致。因此，一個能夠模擬伊辛模型物理過程的設備，不僅是一個優(yōu)化器，更是一個強大的玻爾茲曼采樣器，這為構建量子玻爾茲曼機（QBM）提供了硬件基礎。6.3

QUBO

模型：優(yōu)化問題的標準化“語言”為了更便于工程實現(xiàn)和在不同計算平臺上進行標準化處理，伊辛模型通常會通過簡單的線性變換，轉化為另一種在優(yōu)化領域和新興計算（包括量子計算和類量子計算）中廣泛應用的等價形式——二次無約束二元優(yōu)化（QUBO,

Quadratic

UnconstrainedBinaryOptimization）模型。QUBO

問題的目標是找到一組二元決策變量????（每個變量????的取值為

0

或

1，代表兩種選擇，例如“是/否”、“選中/未選中”），以最小化（或最大化）一個如下形式的二次目標函數(shù)：??(??)

=

∑??

??????????

+∑??<????????????????

(或表示為??TQ??)（2）其中：x是由二元變量xi組成的列向量。Q是一個對稱的N

?

N維實數(shù)矩陣（N

為變量個數(shù)），通常被稱為

QUBO

矩陣。其對角線元素Qii對應于目標函數(shù)中與單個變量xi相關的線性權重（或稱偏置項），而非對角線元素Qij則對應于不同變量xi和

xj之間相互作用（或稱耦合關系）的二次項權重。如前所述，伊辛模型和

QUBO

模型在數(shù)學本質上是等價的，它們之間可以通過簡單的線性變量替換進行相互轉換。這意味著，一個能夠找到伊辛模型基態(tài)（最低能量狀態(tài)）的物理系統(tǒng)或計算設備，也就能等效地求解對應的

QUBO

問題，反之亦然。QUBO因其形式的簡潔性和普適性，已成為將各類組合優(yōu)化問題“翻譯”給新興優(yōu)化硬件。6.4

量子計算技術路徑對比6.4.1

相干光量子計算機的優(yōu)勢和挑戰(zhàn)理解了伊辛模型與

QUBO

模型如何為復雜優(yōu)化問題提供標準化描述后，關鍵的挑戰(zhàn)便在于如何高效地找到這些模型的基態(tài)（即最優(yōu)解）。玻色量子研發(fā)的相干伊辛機（CIM）是一種專為求解伊辛/QUBO

這類組合優(yōu)化問題而設計的專用計算硬件。其核心思想是通過精密設計的光學系統(tǒng)，構建一個能夠直接模擬大規(guī)模伊辛系統(tǒng)動態(tài)演化的物理平臺。在這個平臺中，伊辛模型中的“自旋”變量及其狀態(tài)（如+1

或-1，對應

QUBO

中的

0

或

1）由光學系統(tǒng)中的特定物理量（如光脈沖的相位或振幅）來表示；自旋間的“耦合強度”和“外場”（對應

QUBO

矩陣

Q

中的系數(shù)）則通過精確調(diào)控光學元件之間的相互作用強度或對光學系統(tǒng)施加外部調(diào)制來實現(xiàn)。當具體的

QUBO問題被編碼到相干光量子計算機的參數(shù)設置中后，整個光學系統(tǒng)在驅動下會開始演化。憑借系統(tǒng)內(nèi)在的非線性動力學特性以及可能的量子相干效應，系統(tǒng)能夠自發(fā)地、并行地探索巨大的可能狀態(tài)空間，并迅速趨向于一個整體能量最低的穩(wěn)定狀態(tài)。該穩(wěn)定狀態(tài)下光學系統(tǒng)各單元的物理量，就直接對應了原

QUBO

問題的最優(yōu)解或高質量的近似解。圖

6-2

相干光量子計算機物理實現(xiàn)示意圖一種重要的物理實現(xiàn)是基于簡并光學參量振蕩器（DOPO）陣列構建的

CIM。其工作過程如下，超快激光器產(chǎn)生脈沖序列（每個脈沖對應一個量子比特），經(jīng)強度、相位等調(diào)校后，進入簡并光學參量振蕩過程，產(chǎn)生相應數(shù)量的

DOPO

脈沖。此時，腔中的循環(huán)脈沖相同且互不干擾，每個脈沖處于相位

0

和

π

的疊加態(tài)（即量子態(tài)）。接著，通過分光器將部分光脈沖引導至電子學控制部分，利用零差測量（BHD）技術測量

OPO

脈沖的相位。外部輸入的待求解

QUBO

問題的系數(shù)矩陣（即

Q

矩陣）與這些相位測量結果進行運算（如矩陣乘法）。運算結果經(jīng)適當延遲后，通過光學調(diào)制器將調(diào)控信號反饋注入光路系統(tǒng)，精確地實現(xiàn)脈沖間的耦合作用，從而構建起一個模擬目標伊辛模型的N

?

N耦合網(wǎng)絡。這個過程不斷循環(huán)迭代，系統(tǒng)狀態(tài)持續(xù)演化。最終，通過調(diào)節(jié)泵浦光的功率，當系統(tǒng)的光增益與耗散達到精確平衡時，整個

CIM

網(wǎng)絡將經(jīng)歷光學參量振蕩相變。在增益接近閾值且滿足最小增益原理的條件下，系統(tǒng)傾向于在一個精確或近似的基態(tài)能量下穩(wěn)定振蕩，此時測量結果趨于穩(wěn)定，標志著計算完成。進一步增加泵浦功率至閾值之上，可以繼續(xù)抑制激發(fā)態(tài)的錯誤振蕩模式，鞏固基態(tài)解。區(qū)別于傳統(tǒng)的（模擬/數(shù)字）退火搜索算法和基于量子隧穿的量子退火算法，CIM

的核心機制在于利用最小增益原理：在光學參量振蕩器（OPO）增益小于耗散的情況下，通過逐步增大泵浦功率，系統(tǒng)被驅動至能量耗散最小的狀態(tài)，即對應伊辛模型的基態(tài)。玻色量子所采用的相干光量子計算機方案，其應對生物制藥優(yōu)化挑戰(zhàn)的有效性與潛力，可以以幾個關鍵層面進行綜合考量：1. 專用性帶來的效率與近場優(yōu)勢：作為專用量子計算機，CIM聚焦于求解組合優(yōu)化問題這一核心任務，規(guī)避了通用量子計算機面臨的短期工程難題，因此更有可能在近期實現(xiàn)實際應用價值。2. 與生物制藥問題的直接映射和高適應性：生物制藥領域的諸多優(yōu)化難題與

QUBO/伊辛模型的天然數(shù)學契合性，使得相干光量子計算機可以直接“理解”并高效處理這些問題。特別是相干光量子計算機，其基于光學的互連特性，在理論上更容易實現(xiàn)靈活甚至全連接的有效比特間耦合，這對于直接映射結構復雜、變量間存在密集耦合關系的生物制藥

QUBO

問題（例如蛋白質殘基相互作用網(wǎng)絡）可能更具優(yōu)勢，從而減少了問題編碼轉換的開銷和潛在的精度損失。3. 光量子路徑的獨特硬件優(yōu)勢：相干光量子計算機技術路徑，因其在室溫或近室溫運行的潛力、光子的高速低損耗傳輸特性、以及與成熟的光通信和集成光路（PIC）技術的良好兼容性等方面展現(xiàn)出的獨特前景，使其在系統(tǒng)穩(wěn)定性、未來可擴展性（易于芯片化和規(guī)?；?、整體能耗以及部署便捷性上，相較于需要極端低溫環(huán)境的超導量子計算方案，可能更易于在生物制藥企業(yè)或研究機構的

IT

環(huán)境中實現(xiàn)規(guī)模化落地和推廣，并具有更優(yōu)的成本效益。4.

解決“組合爆炸”的潛力與求解質量：CIM

通過其物理并行性和獨特的全局搜索機制，為高效求解那些具有“組合爆炸”特性、令經(jīng)典計算機束手無策的

NP

難或

NP

硬優(yōu)化問題，提供了前所未有的潛力。其獨特的非線性動力學求解過程，在某些情況下可能比量子退火更快地收斂到高質量解，或更有效地避免陷入局部最優(yōu)。6.4.2 超導量子計算機的優(yōu)勢和挑戰(zhàn)超導量子計算機作為當前量子計算領域商業(yè)化進展最快、最受關注的技術路徑之一，在生物制藥領域展現(xiàn)出顯著的應用潛力。其發(fā)展態(tài)勢迅猛，尤其在處理復雜的生物分子模擬和藥物設計任務時，展現(xiàn)出巨大的優(yōu)勢。首先，超導量子計算機能夠精確模擬生物分子的量子力學行為，這對于理解生物分子的結構和功能至關重要。例如，在蛋白質折疊路徑預測中，超導量子計算機能夠通過高精度的量子模擬，提供更準確的構象轉移路徑分布。這可以為藥物設計提供重要的理論支持，幫助研究人員更好地理解藥物作用機制。此外，在處理高維生物醫(yī)學數(shù)據(jù)（如醫(yī)療影像、基因組學數(shù)據(jù)）時，超導量子計算機在訓練量子機器學習模型方面潛力巨大。其并行處理能力有望提升模型性能與泛化能力。例如，在乳腺癌鉬靶檢測中的應用中，就展示了超導量子計算機在處理高維醫(yī)學影像數(shù)據(jù)時應對假陽性率高和效率低問題的潛力。目前，多家國際制藥巨頭也在探索利用量子計算加速

mRNA

藥物研發(fā)。然而，超導量子計算機也面臨著一系列的挑戰(zhàn)。1. 低溫運行環(huán)境：超導量子計算機的運行需要極低的溫度環(huán)境，通常在接近絕對零度的條件下。這需要復雜的制冷系統(tǒng)來維持，增加了系統(tǒng)的復雜性和成本。這種低溫環(huán)境限制了超導量子計算機在普通實驗室和工業(yè)環(huán)境中的廣泛應用，需要專門的設施和技術支持。2. 量子比特的退相干和錯誤率：量子比特的退相干和量子門操作的錯誤率較高，這需要更復雜的量子糾錯技術來保證計算的準確性。退相干是指量子比特由于與環(huán)境的相互作用而失去量子態(tài)的現(xiàn)象，這會嚴重影響量子計算的精度和可靠性。量子門操作的錯誤率則直接影響量子計算的效率和準確性。這些技術挑戰(zhàn)需要通過不斷的研究和技術創(chuàng)新來解決。3. 硬件成本和專業(yè)要求：超導量子計算機的硬件成本較高，且對操作和維護人員的專業(yè)要求也較高。這限制了其在生物制藥領域的廣泛應用，需要專業(yè)的技術人員進行操作和維護。此外，超導量子計算機的開發(fā)和應用需要跨學科的合作，涉及物理學、計算機科學、化學和生物學等多個領域。4. 技術成熟度和可靠性：盡管超導量子計算機在理論和實驗上取得了顯著進展，但其技術成熟度和可靠性仍需進一步提高。目前，超導量子計算機的性能和穩(wěn)定性仍受到多種因素的限制，需要在實際應用中不斷優(yōu)化和改進。盡管面臨這些挑戰(zhàn)，超導量子計算機在生物制藥領域的應用前景依然廣闊。隨著技術的不斷進步，超導量子計算機的性能將不斷提升，其在生物制藥領域的應用將更加成熟和可靠。未來的研究方向包括提高量子比特的相干時間、降低量子門操作的錯誤率、優(yōu)化量子比特的耦合和控制技術，以及開發(fā)更高效的量子糾錯技術。這些技術的進步將使超導量子計算機在生物制藥領域的應用更加廣泛，為新藥研發(fā)帶來革命性的變革，加速個性化醫(yī)療和精準醫(yī)療的發(fā)展。七、量子計算+生物制藥關鍵應用場景解析在生物制藥領域，從靶點發(fā)現(xiàn)到先導化合物的篩選與優(yōu)化，貫穿著兩大根本性的計算挑戰(zhàn)：一是在天文學數(shù)字般的化學分子空間（預估超過

10^60

量級）中進行高效搜索的“組合爆炸”難題；二是如何從高維、高噪聲的多組學數(shù)據(jù)中精確解析復雜的生命調(diào)控網(wǎng)絡。這些挑戰(zhàn)的本質，大多可以歸結為大規(guī)模的組合優(yōu)化問題或對復雜概率分布的高效采樣問題，這恰恰是經(jīng)典計算面臨的理論瓶頸。相干光量子計算機通過其獨特的物理機制，為這兩類難題提供了全新的解決思路。它不僅能作為專用優(yōu)化器，高效求解被轉化為

QUBO/伊辛模型的組合優(yōu)化問題，還能作為硬件級的玻爾茲曼采樣器，探索經(jīng)典算法難以觸及的概率空間。相干光量子計算機賦能藥物發(fā)現(xiàn)的核心應用路徑也清晰地分為三類：一是利用其組合優(yōu)化能力加速藥物篩選與設計；二是利用其硬件級玻爾茲曼采樣能力構建量子增強的機器學習模型，以探索化學與構象空間；三是基于量子計算的特性重構生成式

AI

模型，實現(xiàn)更高效的分子從頭設計與優(yōu)化。發(fā)揮組合優(yōu)化天然優(yōu)勢——加速藥物篩選與設計基于結構的虛擬篩選-分子對接分子對接（

Molecular

docking）是基于配體-受體識別的鎖鑰模型提出的技術方法，通過計算配體-受體之間的空間互補狀態(tài)以及能量匹配來尋找復合物模式，是基于結構的虛擬篩選中的重要技術手段。經(jīng)典的分子對接主要分對接構象采樣和打分兩步，其中對接構象采樣是一個

NP-hard

問題，巨大的對接構象搜索空間使得經(jīng)典計算在采樣時間和準確率上難以兼顧，嚴重限制了活性分子篩選效率。2023

年，玻色量子與上海交通大學聯(lián)合研究團隊提出了網(wǎng)格點匹配（Grid

Point

Matching，GPM）和原子特征匹配（Feature

Atom

Matching，F(xiàn)AM）算法模型，通過將配體與靶蛋白的對接問題轉換為配體原子和對接格點的匹配問題，并添加位置約束和配體空間形狀約束，構建得到以下伊辛模型：H=?

∑

wa x 2

+K ∑

u x x +i,dj

ai,dj dist (ai,dj)(ak,dl)ai,dj

ak,dlKmono∑v(ai,dj)(ak,dl)xai,djxak,dl

（3）u(ai,dj)(ak,dl)={1,|dik?Djl|<

cdist0,|dik?Djl|>

cdist（4）v(ai,dj)(ak,dl)={1,j=landi≠

k0,

otherwise（5）其中，??????,????

為原子????放置在格點????上的適配度，??????????、??????????、??????????為模型三個可調(diào)參數(shù)。通過

CIM

求解上述伊辛模型可得到配體對接構象。研究團隊在CASF-2016

標準測試集對基于CIM

的對接方法和商業(yè)化對接工具

Glide

SP

進行了表現(xiàn)對比（見圖

7-1）。結果顯示，GPM

與商業(yè)化軟件具有相當?shù)牟蓸幽芰?，但在速度上，基于CIM的求解速度比經(jīng)典算法快至少三個數(shù)量級，該算法顯著提升了對接效率，有望實現(xiàn)高精度的超高通量篩選。圖

7-1 GPM

和

FAM

在

CASF-2016數(shù)據(jù)集上的采樣表現(xiàn)比較圖

7-1（A）為

Glide

SP、GPM

和

FAM

采樣構象中最小

RMSD(mRMSD)的分布，灰色虛線表示高質量對接閾值(<2

?)。圖

7-2（B）不同

性對接方法最小

MSD

晶體結構對接構象FeareAo

匹配 Grid

Poin

匹配晶體結構ID：2I

晶體結構ID：3D

G

MSD

3 MSD

2

FeareA

o匹配晶體結構ID：2

M

MSD

1

Grid

Poin匹配晶體結構ID：1

6

MSD

0.1

為采樣的對接構象（紅色）與晶體結構（藍色）中的構象比較示例。7.1.2

基于配體的虛擬篩選-分子相似性計算分子相似性（molecular

similarity）是化學分子間的重要比較信息，相似性原理指出，總體相似的分子應具有相似的生物活性，分子相似性應用廣泛，包括靶標預測、結合姿態(tài)預測、毒性預測、挖掘靶標與藥物數(shù)據(jù)關聯(lián)、虛擬篩選等?，F(xiàn)有方法主要利用分子指紋的表征方式進行相似性計算，但其只考慮二維的原子及官能團排布，忽略了分子中不同原子的空間位置關系，這些構效關系對于分子與蛋白的結合至關重要。Maritza

Hernandez

等提出了基于圖論方法解決分子相似性計算中的原子匹配問題，如圖

7-2

所示，

通過構建沖突圖

conflict

graph

并添加相關約束構建QUBO/Ising

模型，并使用

QA

在小規(guī)模上數(shù)據(jù)上進行了驗證。上述模型在

CIM

上可同樣求解，在

CIM

大比特數(shù)以及全連接特性下，能解決更復雜的分子匹配問題。圖

7-2 基于圖的分子相似性計算（Graph-basedMolec

larSi

ilari

y,GMS）算法示意圖7.2

構建量子增強機器學習模型——探索化學與構象空間7.2.1

基于CIM

的玻爾茲曼采樣技術原理玻爾茲曼采樣（Boltzmann

sampling）是一種基于玻爾茲曼分布（Boltzmann

distribution）的概率采樣方法，主要應用于統(tǒng)計物理學、機器學習和優(yōu)化問題中。伊辛模型中哈密頓量描述了各個自旋變量兩兩互作和自身的能量狀態(tài)，因此在溫度確定下，CIMa

步

1：將分子建模為圖分子1分子2b步2：求解

問題沖突圖

G1,G2

將解c

步

3：相似基于伊辛模型的采樣結果應該符合玻爾茲曼分布：p(state)

∝e?E/kBT。2016

年，Hiromasa

Sakaguchi

等將

CIM首次應用于基于結構虛擬篩選的分子優(yōu)化場景中，通過建立配體分子片段組合以及和靶點的結合能量函數(shù)計算模型，實現(xiàn)了基于

CIM

玻爾茲曼采樣的活性片段篩選優(yōu)化，證明了基于

DOPO

計算的

CIM

在以伊辛模型為基礎的玻爾茲曼采樣能力。這里，基于

CIM

的玻爾茲曼采樣能力，并結合已有研究列舉了兩個重要的應用方向。7.2.2

基于CIM