一项由科学家在业余时间进行的研究表明，将量子计算机与生成式人工智能（AI）结合，可以提高药物发现模型的准确性。丹麦技术大学的团队利用这种混合技术，成功合成了能够与特定蛋白质结合的新型肽，尤其是在训练数据稀少的情况下表现更佳。尽管目前量子计算机的规模尚小，此项成果仍为个性化免疫疗法和被忽视疾病的研究提供了一个有前景的早期应用范例。
业余时间诞生的创新
丹麦技术大学（DTU）的一个研究团队利用工作之余的时间和其它项目剩余的资金，进行了一项前沿实验。他们将自己的生成式 AI 模型与英国初创公司 ORCA Computing 制造的一台量子计算机结合使用。
项目负责人 Timothy Patrick Jenkins 教授解释说，之所以这样做，是因为“大多数创新科学对于基金会来说都太冒险了”。
我们需要真正证明它，才能说服怀疑论者，让他们相信我们的预测与现实世界是相连的。
这个团队的目标是生成新型肽（氨基酸短链），这些肽能够与体内的特定蛋白质结合，这是疫苗开发中的关键一步。
量子计算的优势
研究团队假设，将量子计算机嵌入其工作流程可以生成更多样化的肽，尤其是在数据稀少的目标上。实验结果证实了这一点：
- 提高成功率： 在实验室中测试生成的肽后发现，与传统计算机模型相比，量子增强模型产生了更多成功的肽。
- 弥补数据不足： 最显著的改进出现在训练数据稀少的领域。这对于为研究不足的人群（如亚洲和非洲人群）开发药物尤为重要，因为这些人群的遗传信息数据往往不足。
- 潜在应用： 该技术有望加速个性化免疫疗法和疫苗的开发，并改善药物在不同人群中的功效。
现实的局限与未来的展望
尽管结果令人鼓舞，但研究人员承认该技术仍处于起步阶段，面临着诸多挑战。
- 规模限制： 现有的量子计算机仍然太小，无法运行尖端的全尺寸 AI 模型。目前，一台强大的传统计算机在某些方面仍能取得更好的结果。
- 单一环节： 找到能与基因结合的肽只是疫苗开发的第一步，本身并不能保证药物的成功。
- 行业疑虑： 正如 ORCA Computing 首席执行官 Richard Murray 所说，许多工业公司认为量子计算“模糊而遥远”，因为它缺乏明确的近期实用案例。
尽管如此，这项研究的独特之处在于，它展示了量子计算一个明确的近期商业应用。Jenkins 教授的团队现在计划将此方法应用于更先进的模型和更大的蛋白质。
Jenkins 指出，这种生成式 AI 工作流程在那些研究经费很少的被忽视疾病中尤其有价值。
他还在探索使用量子计算机来改进其生成式 AI 方法，以设计用于蛇咬伤毒液的合成解毒剂。