AMB-02

由于卓越的计算能力，量子计算将深刻影响多个科学领域。在生物医药领域，量子计算凭借其模拟复杂分子相互作用的独特优势，正在开辟药物发现新前沿。量子模拟可突破传统算法在分子维度与能级精度上的限制，显著加快新分子筛选与药物靶点识别速度。量子计算还可以显著改进生物分子相互作用建模，这对当今药物发现至关重要。那么，量子计算与AI技术的结合，又能给药物设计带来哪些新的想象空间？为此，智药邦采访了AI药物研发领域的资深人士、医图生科联合创始人/CEO李翛然博士，请他解读一些该领域的关键问题。李翛然博士简介李翛然，中国药科大学博士，CCF会员，在AI制药领域发表了多篇SCI论文，拥有多项药物发明专利，也主导完成过多项药物管线License交易，在AI算法、量子计算及药物发现方面拥有深厚的造诣。医图生科在李翛然的带领下，从2022年开始关注量子计算。团队全面融合量子计算和AI技术，在2024年正式发表了一篇量子计算与药物设计的论文《A hybrid quantum computing pipeline for real world drug discovery》，这篇文章的前瞻性引发了业界广泛关注，位列2024年Nature杂志社工程类下载阅读量第15名。第一章量子计算目前有多少实际应用智药邦：您和团队是从什么时候开始想到要做量子计算呢？有什么契机答：我在2021年就已经开始关注量子计算了。当时AlphaFold2的发布，我们就已经注意到了当时的AI模型在处理多倍体、金属离子、以及动态结构时的局限性，因此就在考虑用量子化学（Quantum Chemistry）的方法来进行优化和修正。 尤其是团队本身设计的AMB-02雄激素脱发治疗与KRAS泛突变抑制剂，目前没有任何一款药物完成临床，都处于全球竞争的FIC梯队当中。因此，我们必须尽可能的在早期发现未来的潜在失败风险点，大量的模拟计算是必不可少的。那么在使用传统计算方法进行求解的等待过程，自然而然就会从文献和新闻中了解到量子计算。我们进行了深入的调研后，发现量子计算--量子化学--药物设计这样的研究闭环特别适合医图生科进行布局。我们就进入这个领域了。 智药邦：医图生科从早年的AI制药逐渐走进了量子计算+AI制药的领域，可否介绍下，目前对于量子计算有多少实际应用答：关于这一点，可以听到很多不同角度的声音。行业内甚至是量子计算行业的从业人员，都认为量子计算走入千家万户和普遍领域还需要比较漫长的时间。但是在医图生科，我们团队已经真实地将量子计算应用到药物设计环节，来完成相关的挑战。这也是我们去年的论文阅读下载量非常大的原因，因为如果从真实药物设计（完成药物合成，动物实验，临床试验）结果来看，这篇论文应该是世界上第一次将真实量子计算应用到现实世界药物设计挑战中的案例。论文链接：https://www.nature.com/articles/s41598-024-67897-8之所以大家有这样的割裂感，其实我们是非常理解的，量子计算从理论设计的角度，确实存在着超越当下超级计算机与大规模GPU集群的能力。量子计算在密码破解、量子化学模拟、优化问题、随机采样问题等方面都有非常明显的优势，比如传统计算机要算几千年的工作，量子计算机用（Shor’s Algorithm）算法几分钟即可；传统计算机难以计算复杂分子，量子计算机天然适合模拟量子系统；传统计算机很难高效完成随机采样问题，但量子计算机可以轻松做到。（详细参见文后补充材料：量子计算机擅长什么，量子计算机的杀手锏）。医图生科的工作证明了，在目前的硬件条件下使用量子计算机来进行药物设计，也同样是可以进入工业应用的时刻。回到问题本身，我们确实真实地在日常的研发中使用量子计算机，这个领域已经从纯科研走向了产业应用与科研迭代演进的时代。第二章量子计算+AI应用于药物研发，商业价值有多大智药邦：为什么不惜重金、冒着巨大风险，做量子计算+AI药物研发？是否因为有更大的商业价值答：这个问题很有意思，也确实是很多人关注的。我在这里做一个解读。从研发角度来说，量子计算的研发确实比较消耗资金，但是使用并不昂贵。以常规芯片举例，研发非常消耗资金，但是购买GPU进行游戏开发，并不是一个不可接受的成本。其实在量子计算机具体的使用过程中，求解问题相较与GPU消耗的电力来说，并没有大家想得那么大，甚至更少。所以，量子计算价格已经走到了与GPU同等价位的时代，尤其是采用云算力的方式，医图生科将会于7月份推出云量子算力，其实和GPU的租赁价格已经相差无几了。商业价值需要结合公司的商业模式。之所以选这样一套看似并不是特别适合创业公司的商业模式，还是因为，我们认为无论哪种技术的演进，比如AI技术或者量子计算机，至少在生物医药领域来说，核心还是做出一款治病的好药。所以，并不是因为量子计算会带来更大的利润空间，而是研发一款治病的好药并且成功上市，有好多问题是必须要用学习微观世界的量子规律才能更好地完成。量子计算是我们认为可以相对高效地完成这个挑战的工具，所以我们才布局量子计算。目前国际上并没有该领域的优秀解决方案，因此我们把技术论文公布出来，希望更多的人关注和使用，最终把这个解决方案推动成为药物设计公司的共识，就像AI对于蛋白质折叠预测一样。第三章AI药物研发中，量子计算在哪些环节意义重大智药邦：OpenAI的CEO奥特曼也提出过“计算才是未来的稀缺资源”。您觉得，AI药物研发过程中又有哪些问题，必须使用量子计算才能解决答：这是一个非常关键的问题。团队在进行药物研发时，尽管AI，尤其是像AlphaFold2/3这样的革命性技术，在蛋白质结构预测方面取得了巨大进步，但当前的AI模型在药物设计实践中依然面临一些固有缺陷。首先是模型泛化能力的不足。AI在解决人类已经很好地解决了的问题上表现出色，甚至有所超越，但对于人类尚未解决的复杂问题，它能提供的帮助就非常有限了，特别是涉及研究对象的构象变化和未知结构预测时。来源：FoldBench: An All-atom Benchmark for Biomolecular Structure Prediction. Sheng Xu, Qiantai Feng, Lifeng Qiao, Hao Wu, Tao Shen, Yu Cheng, Shuangjia Zheng, Siqi Sun. bioRxiv 2025.05.22.655600;其次，我们发现目前的AI模型难以准确预测一些特殊结构，比如在人体内极其重要的环肽结合，以及蛋白质与核酸的结合等。即使是像诺贝尔奖得主David Baker，这样在蛋白质结构领域的世界级领军人物，在进行蛋白质和酶的定向设计时，仍需要大量的人工辅助和计算化学专家的帮助。这意味着单纯依赖AI，我们无法脱离这些微观结构，更无法有效地设计出药物。来源：Lauko, Anna, et al. “Computational Design of Serine Hydrolases.” Science, 2025, doi:10.1126/science.adu2454当前的一些最新工作中，模型改进的尝试就是利用目前的AI+量子化学/量子物理的方法，也取得了不错的进展。研究者考虑到了AI目前的短板在于：学习的历史数据均是基于试验中的原子物理距离，然而实验的误差和真实世界的规则，导致忽略了物理限制条件的纯几何方法，无法更精确地表征真实世界。另一项值得一提的工作，在当前基于结构的药物设计工具，如2020年发表的工作Masif（molecular surface interaction fingerprinting）以及基于他提出的革命性工具蛋白质表面特征计算工具，使得后续的AI研究工作可以非常方便的进行3D的图表示（Graph）,学习蛋白质与药物分子背后的几何与物理特征，它们通常将蛋白质表面特征映射到固定距离进行分析。并且这一部分的研究，充分地展示了非常有利的提升AI药物设计的效果，例如2025年发表的SurfDock（一种用来评估药物作用蛋白效果的AI模型）在测试基准中的卓越表现。Jiang, Y., Li, X., etc. (2025). PoseX: AI defeats physics-based methods on protein ligand cross-docking.这个过程，就是我称之为AIDD（人工智能药物设计）走向了Quantum AIDD的过程。所谓的Quantum AIDD 指的是，让AI人工智能学习微观现实世界的规律，进而完成微观结构的设计，将来可以做到非监督的强化学习。其中的Quantum指的就是Quantum Mechanics量子力学也就是微观世界的运行规律，好比牛顿力学对于宏观世界的影响。经过上面的梳理，我们不难看出，当AI可以初步学习到微观世界的规律后（哪怕是非常初级的，简单的特征学习），都可以在药物设计领域爆发出惊人的潜力。那么，如果有一种方法，可以让AI方便地学习到微观世界的“数据”，而不用花费大量的试验测定（现实世界中微观世界的规律的观察和测定极其耗时，成本高昂），那么AI在微观世界将会大放异彩。比如，目前的这些AI模型无法精确处理非标准氨基酸的相互作用（如糖基化、磷酸化、质子化等修饰），金属离子介导的结合，蛋白质-蛋白质，抗体-抗原结合，而这些情况在人体内其实非常普遍。同时这样的实验数据也特别难以获得。那么，我们再回到前面的问题，当现实世界的数据难以获得时，能否通过“第一性原理：微观世界的量子法则”来模拟获得数据呢？而且量子计算机擅长的问题中，恰恰包含了量子化学或者说微观世界的模拟。那么，通过量子计算来描述微观世界，加强AI对于底层物理系统的认知，就是我们构建的下一代量子计算+AI的解决范式，Quantum AIDD。最终，我们希望能摆脱对历史经验性试验数据的依赖，实现对真实世界的高效适配。这正是我们所说的“量子+AI定义未来药物设计”正在逐渐进入现实。宏观层面，像NVIDIA等公司已在通过强化学习模拟现实世界物理规律，创造“Physcial AI（物理AI）”。而在微观层面，我们提出让计算机学习量子世界的规律，从而找到目前AI与人类尚未发现的全新药物设计思路。这里面需要指出的一点，我们使用量子计算+AI的方案和目前一些团队有所不同。我们是利用AI来加速量子计算完成薛定谔方程求解，即主力还是量子计算，AI来辅助。目前行业内还有一个方向是利用量子计算来加速AI，也成为Quantum Machine Learning,QML。这个方案的主力还是AI，量子计算是解决AI的调参问题。这是两种完全不同的应用思路。智药邦：总体看来，量子计算既准确又快速地解决问题，那么量子计算无论对大分子药物、还是小分子药物，都有所贡献吗？是的，比如刚刚我们提到的几个场景，都是量子计算可以带来的，尤其是结合了QM/MM的方法论时候，将会带来动态蛋白质结构，药物递送的全新研究范式。QM/MM（Quantum Mechanism Molecule Mechanism）是量子力学-分子力学，用于研究复杂体系的化学反应和物理过程。通俗地说，它像用“显微镜+广角镜”协同观察分子--关键区域用量子力学精确计算，周围环境用经典力学快速模拟，在2013年获得了诺贝尔化学奖。第四章量子计算实现准确模拟的底层逻辑智药邦：当下AI模型的能力一定程度上比较有限，无法准确进行预测。那量子计算是如何准确模拟的呢？底层逻辑是什么刚刚说到的，量子计算解决这些问题，本质是利用量子计算机求解微观世界的核心规律---薛定谔方程。薛定谔方程的求解是一个非常复杂的过程，例如，当我们想获得一个微米级别的化学结构变化所产生的能量影响，通常在DFT或者“金标准”CCSD(T)方法下，算法复杂度呈N7 的爆炸级增长，该问题通常认为不可求解。DFT（Density Function Theory）是密度泛函理论，一种简化的薛定谔方程求解方法，在行业的学术领域，大家还是期待一种可以描述全组态相互作用（Full Contiguration Interaction, FCI）方法来进行求解。那么，量子计算机作为一个天然拥有“量子”操作单元的机器，在物理与化学领域，这种机器被认为是最有可能完成该问题挑战的方案，无论从精度还是效率上来说。在完成了UCCSD构造，JW变换，Trotter分解等关键步骤后（以上过程有严格的数学证明），薛定谔方程被映射为量子计算机可以执行的程序。并且随着人类可操控量子数量的上升，能求解的问题也指数级地增加，在可见的未来，薛定谔方程的相对精确求解被认为是可以逐渐解决的难题。这就是量子计算机被认为描述微观世界时，优于经典计算机的底层逻辑，也拥有坚实的理论基础。智药邦：所以，量子计算的引入是为了突破现有AI在微观层面和复杂问题上的瓶颈。那么量子计算在为药物设计带来“未曾设想的可能”上，它与经典的计算方式的本质区别和主要优势是指“指数级”的效率吗是的，其核心优势在于指数级的加速能力。与经典计算机通过“0”和“1”的确定性信号处理逻辑不同，量子计算机利用量子叠加态和量子纠缠，在一个多维的希尔伯特空间中同时处理大量的可能性。简单来说，经典计算是逐一尝试，而量子计算可以同时探索所有可能的路径。这使得量子计算在某些特定问题上能够实现经典计算机无法比拟的指数级加速。第五章量子计算如何摆脱实验数据短缺的桎梏智药邦：指数级的增长对药物研发产生哪些具体的影响呢？在大会报告中，你提到了量子计算是帮助AI摆脱实验数据短缺桎梏的有效手段，这个细节到底是如何做到的答：具体到药物设计，量子计算高效的求解薛定谔方程能带来以下几个重大意义：量子计算求解薛定谔方程的重大意义解决现有模型无法处理的复杂性。发现陌生的、重要的全新结合区域，为药物专利布局打开新的思路，突破现有专利限制，找到全新的作用口袋，而不仅仅是基于已知相互作用位点。比如pdb文件中并未发现的水桥，金属配位结合点等。精确处理非标准氨基酸的相互作用（如各种修饰化蛋白）以及金属离子效应。这对于设计靶向特殊生物过程的药物至关重要。更好地描述蛋白质相互作用的动态过程。我们目前无论是冷冻电镜还是X射线衍射，获得的都是静态结构。而药物结合是一个动态过程，结合口袋会变化，量子计算能帮助我们模拟这些动态情况。助力新型药物结构与递送系统发现。在小分子药物领域，可以带来全新的Linker设计，多靶点靶向药物，核酸作用药物等等全新的药物设计思路与递送方案。尤其是FEP（Free Energy Perturbation）自由能微扰计算，这种被AI作为对标学习的标准方法，会获得极大地应用拓展与数据生成。发现全新的蛋白相互作用模式。量子化学方法能够更精确地描述这些复杂的相互作用，为大分子药物，尤其是抗体和核酸类药物的设计，提供前所未有的洞察。提升药物-靶点相互作用（DTI）预测精度。结合量子化学的方法，可以更精准地预测药物与靶点的结合，从而加速药物筛选和优化过程。我们的目标是让薛定谔方程的求解在不远的未来变成一个药物设计中不可或缺过程，不再因为其复杂程度望而却步，这意味着我们能够以更快的速度、更高的精度进行药物分子的模拟和设计。我们可以说出一个论点：高效地处理量子体系（求解薛定谔方程）是AIDD通向下一代可定制、快速设计AGI药物的关键。这个论点背后的核心就是，只有在AI高效学习到量子世界的物理规律后，才可以走到我们理想的药物设计流程：从疾病问题确认到自动化药物设计的过程。量子化学方法能够更精确地描述这些复杂的相互作用，为大分子药物，尤其是抗体和核酸类药物的设计，提供前所未有的洞察。在上面的回答中，我们解释了量子计算帮助药物设计革新的核心原理，以及它为创新药设计行业带来的一些方向上的革新。接下来我再深入地回答一个所有药物设计与AI的领域专家都在关注的一个问题——“实验数据短缺”，即为什么模拟微观世界后，就可以极大限度地辅助AI摆脱实验数据缺乏。2024年微软亚洲研究院发表在Nature 正刊的研究工作Ab initio characterization of protein molecular dynamics with AI2BMD非常具有代表性。该研究使用计算方法将量子力学的参数，提供给AI进行学习与参考，从而在缺乏微观世界实验数据的情况下，高效地进行分子动力学模拟，并且获得了经过试验验证的全新蛋白质特性与结构。这也是世界上首次将大分子蛋白质进行从头计算精度模拟（可以理解为，遵循现实世界的规律进行演化，而不是经验数据来贴合）。 在这项工作中，一个非常关键的基础性数据准备工作，需要以下几个步骤：将蛋白质分解成重叠的二肽单元；重叠区域采用Ace-Nme片段处理；对每种非脯氨酸二肽，在-180°到175°范围内以5°间隔扫描φ和ψ二面角，生成5,184个锚点构象；对每个锚点进行几何优化和AIMD模拟，使用SMD溶剂模型；每个二肽采样约100万个构象，总计约2000万个训练样本。这是一种非常贴近生物本质的做法，可以理解为，将生物界产生蛋白质的过程比作为盖一个大房子，这个工作描述出了每一块砖头的物理性质（称重，温度耐受等等）基本参数，这些参数都是采用求解薛定谔方程得出。然后通过AI学习这些无法通过实验高效得到的数据，拼接出了一套框架，让人类可以首次以真实世界演化规律的方法来观察蛋白质的结构形成过程。且这些结果得到了真实实验的结果确认。所以，这篇论文是一个非常好的代表工作，展示了在缺乏数据的情况下，量子力学（也可以说量子化学）如何助力AI完成全新的生物医药设计挑战。那么，采用量子计算以更加高效，更加准确的方法来构建基础的这些砖块，就可以得到更加精确的结果和方法论。还有一个案例，是诺奖得主David Baker在2025年的新研究工作，发表于《Science》正刊的论文Computational design of serine hydrolases，非常具有代表性地展示了如何使用量子化学（Quantum Chemsitry，求解薛定谔方程）来助力AI在缺乏实验的情况下，完成De-Novo复杂酶如丝氨酸水解酶的设计。这个工作研究始于量子化学（QM）优化，用于精确模拟丝氨酸水解酶催化反应中的过渡态结构。薛定谔方程计算确定了活性位点残基（如丝氨酸、组氨酸）的理想几何位置，包括氢键角度（约94°）和氧阴离子洞的构型。这些参数源自对天然酶反应路径的量子力学模拟，确保了催化机制（如酰基-酶中间体的形成）的化学可行性。还有很多的情景可以使用计算的方法来助力AI药物设计，例如蛋白质--蛋白质结合时，通常处于质子化或修饰化的状态，在这种状态下如何动态评估他们的相互作用以及化学反应，人类是很难观察到相关过程的，从第一性原理出发就是很好的手段。再比如，前面提到的金属离子的配位结合，同样也是无法高效的获取微观结构的实验数据。都需要量子化学（求解薛定谔方程来助阵）。我们不难得出结论，在量子计算机的算法，硬件，以及纠缠比特数量的进一步提升情况下，一定会产生超越经典计算机的薛定谔方程求解速率，那么，届时将会对AI制药行业提供长足的助力，为解决数据缺乏的问题带来前所未见的想象空间！更详细的介绍参见文后补充材料：量子计算如何摆脱实验数据短缺的桎梏。第六章医图生科目前在量子计算制药方面的思考、实践和确定性成果智药邦：我相信很多人都在关注量子计算，但是真正能融入实践的企业少之又少。您觉得为什么创新药领域其他公司没有把量子计算和药物研发结合在一起答：我个人觉得还是从业务本身出发，不同药物公司有不同的侧重点，在当下这个时间节点，只是医图生科作为一家初创公司的AI药物公司，药物管线的布局特点，造就了或者说是激励团队必须尽可能的使用前沿工具，所以，有了一个很好的产业背景，从而推动研发是比较务实的一种做法。智药邦：医图生科作为国内唯一一家将量子计算应用于药物设计的公司，可以说是第一个吃螃蟹的人了。那为什么有信心勇气来做这个事情？这背后的“护城河”是技术、人才，还是某种独特的基因答：我们团队或者说整个AI制药行业，就一直在吃螃蟹，即便是对于AI技术来说，应用于生物医药行业也才刚刚开始，那么对于使用量子计算+AI技术来说，也同样不存在太早或者太晚的问题。至于信心和勇气，我觉得还是来自于对于在设计的药物中，完成一次次“闯关”。药物设计中，各种严谨的实验设计在反向推动我们模型和算法的演进正是我们自信的来源，或者说，回归药物的治病救人本质，正是整个团队的信心所在，至于背后的交叉学科，以及先验知识问题，我相信，团队的优秀的同事的自驱力，都会完成这些挑战。正如，当年AI领域完成蛋白质折叠的挑战一样。第二个问题，关于这个事情的“护城河”，其实一点也不神秘，就是“旺盛的好奇心”，与“无畏的探索行动力”，这两个是最最核心的要素，也是医图生科的立业之本。智药邦：医图生科目前在量子计算制药方面取得了哪些确定性的成果呢？是否有数据让大家了解一下答：嗯，我们的所有工作都会发表于开源：就是2024年的论文发表，《A hybrid quantum computing pipeline for real world drug discovery，一个面向真实世界药物发现的混合架构量子计算框架》,展示了量子计算机+超算是如何利用VQE算法，完成药物设计中，化学结构的单点能计算问题。这个论文的结论就是，量子计算在当下的NISQ（含噪量子计算）时代已经可以满足生物医药的设计挑战。还有就是我们今年在ISCA-QCCC2025的大会报告，《SMILES-Inspired Transfer Learning for Quantum Operator Pools in Generative Quantum Eigensolver SMILES启发的量子算子迁移学习在生成式量子本征求解器中的应用》,这个论文我们马上也会放在预印本库，并开源代码。这个工作证明了，使用AI技术甚至可以反向加速量子计算的薛定谔方程求解过程。真正意义上的Hybrid Framework，量子-AI互相反哺。公司也会在7月份开放自己的量子计算机的在线使用，以及TyxonQ太玄量子的编程框架。这个会持续进行迭代，并把刚刚提到的两篇工作代码合并到编程框架中。公司今年也会发布自己的量子计算测试基准，我们希望以药物设计的角度出发，提供一个全球通用，真实药物设计认可的量子计算机性能测试基准。智药邦：对于业内也有一些批判的声音，说量子制药是“空中楼阁”：硬件未突破100量子比特，计算结果谁敢信？医图如何回应“玄学”质疑？是建立量子-湿实验闭环验证体系，还是已获FDA认可量子数据答：这些问题还是有一些水平的，我来一一回答一下。关于量子比特数量不够多，量子计算机是否可用。这个其实非常考验使用者的编程功力，比如我们提出的就是一个量子-经典的混合编程框架，将合适的问题，映射到合适的量子电路，是在当下及未来3-5年内可预期的场景，并且这个映射并不是量子比特数要到100也上才能做，其实很多小问题2个比特的模型也能很好的完成。当然，全世界的科学家也在努力优化去发现可能得量子优越性。关于量子计算是不是玄学，以及如何验证这件事情。这就是我们一直坚持的方向，做药物管线的核心原因，无论是AI还是量子计算，只要是在进行药物设计，那么国际上就有一套非常标准的验证流程。AI以及量子计算都需要经历这些才能完成其真实的效能，但是在临床上市前，还是有很多阶段性的评估指标的，比如DTI靶点结合力，自由能计算结果在晶型观察时候确认等等，尤其是量子计算，当下确实无法避免“噪声”也就是误差的存在，但是药物设计本身就是在一个极度复杂的生物体系内进行设计，本身就含有很多的误差，只要量子计算的误差，在我们生物设计中可接受，那么，我们最终还是会通过实验来完成最终的确认。虽然医图生科自己的药物还没有完成三期临床，但是早期的动物验证已经完成，我们也完成了新一轮的融资，将药物研发推动到临床阶段，也就是你问题中提到的“FDA或中国药监部门的认可”。第七章量子计算在药物设计方面的瓶颈和挑战，以及医图生科的解决思路智药邦：任何一项前沿技术在发展初期都会面临各种挑战。那么，您认为目前量子计算在药物设计方面会有哪些可预见的瓶颈或难题吗？答：是的，量子计算虽然潜力巨大，但目前仍处于发展早期，存在一些挑战。首先是硬件能力限制。尽管量子计算机发展迅速，包括我刚刚也提到的，小规模芯片有特定的问题，但我们终究还是希望硬件能力在可以大幅提升，这样就不需要对于量子计算机的使用者提出太多的要求。比如，如果量子比特纠缠数超过了1000，那么Shor算法就变得可行。且处理超大规模、超复杂的分子体系时就有更好地解决方案。同时，量子计算本身的噪声问题也是值得关注的，FTQC（Fault-Tolerant Quantum Computation‌‌）也是当先量子计算的热门，如何通过算法与硬件设计将这些噪声消化掉，也是量子计算的前沿领域。薛定谔方程求解时的“贫瘠高原”问题（Barren Plateau Problem）。这是变分量子本征求解器 (Variational Quantum Eigensolver, VQE)常见的一个问题，意味着随着求解分子的复杂度提升，量子电路的复杂程度也会指数级增加，同时量子的电路梯度也消失，导致模型优化陷入局部最优，难以进一步提升性能。为了解决这个问题，我们引入了生成式AI来助力解决。这也是需要全球的高手一起进行的。与经典算法，算力的融合。虽然量子计算提供了理论上的指数级加速可能，但如何将量子算法与现有的经典计算算法高效融合，形成一个互相支撑的体系，以更好地解决微观作用问题，也是现在并没有最佳实践案例产生的。其中，现实问题--计算问题--量子电路设计--量子计算机求解的各大环节如何有机地调度超算算力+量子算力，也是世界前沿的计算机架构与体系在探索的方向。智药邦：这些难题在可预见的未来是否能解决呢？医图生科是否有了解决思路？答：我们的答案就是，从产业需求出发，全链路AI+整体解决思路。产业内，目前由于其巨大的跨领域协同，导致传统研发团队，都将问题聚焦在某一个环节，从而将核心问题留给下一个环节的团队处理。比如在进行量子电路设计时，我们构想出效率最高的电路，但是如果电路无法在硬件实现，则等待编译+硬件团队的演进。然而我们认为想要高效的处理量子计算机的应用，团队必须可以全链路打通，每个人都得听得懂下一个环节的顾虑和限制，才能统一协调，统一调度，统一优化。因此，我们给出的答案就是，自己着手处理。智药邦：量子计算既然力量如此强大，刚刚您也提及了AI模型的局限性，那您为什么不只做量子计算药物设计，而是将量子计算和AI结合？那未来量子计算会全面替代AI吗答：我可以肯定的说量子计算不会全面取代AI，这个问题，不是量子计算和AI二选一的问题，他们是一个有机集合，相辅相成的事情，会形成一种高度互补和融合的关系。比如我们今年在ISCA-QCCC的报告就是，使用AI来优化量子计算。这两个方法都是优秀的解题工具，这个世界也不会因为有了飞机，从而火车的需求没了。不同场景适合不同工具。如我之前所说，量子计算是下一代AI药物发现的关键。未来是QC-AI（量子计算结合人工智能）互相支撑的。AI作为一种有效的工具来支持量子计算在化学领域的微观探索，提供更准确、更快速的物理化学模拟，共同推动药物发现的突破。我们下一个推论，1年内，就会看到大模型操控量子计算机。智药邦：那我们就期待验证李总的推论了。医图生科的量子计算机TyxonQ就是以“量子计算+AI药物设计开发”为框架的，与全世界现有的几类量子计算机相比，它的优势或特色是什么？能够解决什么问题答：太玄量子计算机TyxonQ主要有四大核心功能。太玄量子计算机TyxonQ的四大核心功能第一，利用经典-量子混合架构实现加速。医图生科的量子计算TyxonQ计算引擎，利用张量网络计算Tensor加速量子计算--将药物化学的能量计算问题映射为可执行量子电路过程中，将其中更适合经典超算架构的矩阵表示部分，采用人工智能计算非常成熟的Tensor表示方法，来加速关键性的环节，从而达到一个量子--经典混的异构编程方法。这一工具，使得量子计算机在求解问题过程中，可以方便的将更适合经典计算的加速问题，得到充分的加速，并将最核心的经典计算无法有效处理的部分，放入量子计算芯片处理。从而达到1+1>2的效果，以便更好地完成计算任务。第二，TyxonQ的架构将会在具体问题中，将会带来AI+QC的原生编译。TyxonQ的架构将会在具体问题中，将会带来AI+QC的原生编译能力。在量子电路的生成过程中，框架将会原生引入AI来进行电路的编译优化设计，大幅的提升电路可执行能力。例如，用户可以将需要满足的量子机器的物理条件（例如：机器支持的电路深度，原生测量电路门等）带入生成电路门约束条件的过程，从而使得可执行的量子程序尽可能的满足真实机器的硬件条件限制。这样，量子程序就进入了可校验，可复现的路线上。第三，TyxonQ可以进一步形成跨硬件设施的从容调度能力。将量子计算问题拆分后，分别将不同任务分配至HPC（高性能计算机）与QPU（量子计算单元），尤其是引入了容器调度系统后，这一框架将会给量子计算使用者/计算化学软件使用者带来完全无感的计算体验，用户将直观感受到超算+量子带来的巨大性能提升而不用去关注硬件层面的调度与算力分配。第四，TyxonQ的路线图最重要的一环是加强量子模拟器与真实量子计算机的映射能力。现有的量子计算框架对于量子噪声的实现与真实机器噪声相差较远，以及全噪声通道模拟也同样导致量子仿真的效率极度低下。因此，TyxonQ将会致力于不断地在真机实践中，构建出最能反映真实噪声情况的量子编译模拟器，从而将量子计算的芯片设计，推向专业分工阶段。大家可以期待7月份我们的TyxonQ上线，敬请围观！智药邦：医图生科以及取得的量子计算+AI药物研发思路和技术，未来在被全行业深入了解后，会不会被轻易复制，甚至赶超答：短期1-2年内，团队并不认为出现了同行，双方会成为竞争关系，因为医图生科目前是全中国，甚至是全球范围内唯一一家将量子计算应用于药物真实发现的科技公司。在这个层面来说，我们确实具备了一些先发优势，比如在硬件的理解、使用，以及编程平台的构建，但是我们真正希望的是越来越多的人加入这个技术社区，我们也衷心的希望国内可以在下一代的机器平台，不要再出现第一代的半导体的遗憾。因此，我们也会主动拥抱计算机行业的通用准则，也类似于DeepSeek，研究成果接受同行的检验，以及贡献开源世界。医图生科真正的壁垒是在于药物的管线布局以及持续不断的创新力。我们反而希望越来越多的人使用我们的工具来设计新的药物，化学结构域与材料发现。希望越来越多的人，开始关注量子计算药物设计，当然，也希望我们始终是该领域的前沿公司。大家的共同愿景是，提到了最棒的量子药物设计公司的时候，这个词的前方不用加上“之一”。我们努力做到世界上最好的量子计算药物设计团队。智药邦：医图生科的奋斗目标是非常伟大。若5年后量子算力暴涨，制药行业会有哪些新变化答：我们内部认为即便放到10年后，这个回答还是药物设计不会变成算力竞赛，当下人类对于生物的理解还非常非常的初期，处于大量积累基础数据和知识的时代。先不说医药的研发挑战，不是单纯的化学结构发现问题，这里面还有大量的人体的相关生物背景知识并没有被人类完全探明。这些都是药物研发成功率更为至关重要的问题，量子计算+AI确实可以帮助我们理解很多不容易被实验观测到的信号，提前布局肯定是重要的，但是5-10年后的数据积累速度还不至于出现某些算力巨头通吃的局面。比如：4年前，2021年，全球都觉得有了AlphaFold的发布，药物会进入快车轨道，AI制药公司会一统天下，而然这几年突飞猛进的算力发展以及大模型技术的持续迭代，并没有显著的提高药物的研发速度与成功率。反倒是，随着AI的发展，我们发现更需要实验以及领域专家，共同参与到这些巨大问题的挑战过程中，技术的迭代更加让我们认识到人体的复杂性。所以，一切的技术更新和迭代进步，都是需要多种技术的整体的协调与推动，单点的突破所带来的是基础工具的搭建，对于工具的组合使用与效率提升，还是需要越来越多的人参与才能最优化其中的效率。第八章量子计算在药物研发领域的前景展望智药邦：明白了，科技和实战经验两者缺一不可，李总的回答总是能让我们看到事情的另一面真相。那有了量子计算的加入，您对未来新药研发领域的想象是什么样的？医图生科在行业内的发展又会是什么样的？恩，这个我可以深度总结一下。我们把范围扩大一些，这里指的是Quantum AIDD的加入，其中量子计算机是用来加速量子力学问题求解。在2024年的AIBC大会我做过一些预测。比如上图中的预测，不难看出，在2024年-2025年的一年过程中，Quantum AIDD已经在公开的论文中，多次成为了现在顶级研究团队的方法论和工作范式。那么，随着这些问题被后续的研究团队跟进，我相信大家一定也会看到量子计算Quantum Computing对于Quantum AIDD的加速研究。那么我们做一些大胆的预测，随着量子计算在化学领域的深度融合。终将看到如下的情景出现：研究人员可以做的是：1.精确分析未知蛋白/药物的重要重要区域，细节描绘药物如何“捕捉”到蛋白质的过程。FIC药物不再是赌博式研发。2.蛋白相互作用PPI，非标准氨基酸的精确拟合，金属离子的有效分析，蛋白质修饰下的理性设计全面突破。3.抗体与核酸，更大限度的完成前期的计算设计环节。4.设计与工程化酶设计。5.遗传疾病的分子机制，表观遗传的精确过程描述。6.相对精确地描述分子与生物微观结构的动态过程。以上的这些，最终会催生出一个全新的生物医药赛道：定制化药物设计开发，即药物团队根据患者个人情况，有针对性的高效完成药物设计，并根据病程发展随时改变诊疗方案。最后，关于医图生科会在这个浪潮中的定位和发展，医图生科的目标是在2025-2030这个关键的时间节点，发展自己的全环节“量子-经典”工作流程，开发TyxonQ工具与社区，在量子电路生成，量子编译层面发力，利用量子计算的超强算力，从最微观的层面理解生命过程中的复杂相互作用，发现目前人类无法触及的药物靶点和作用机制，做好核心管线和数据的布局，为人类进入下一个时代的医疗水平时，发出自己的理解和声音。我们期待能够解决那些困扰人类多年的重大疾病，带来高效的，可定制化的药物，真正实现药物设计的“未曾设想的可能”。我们也将持续发布新的研究论文和成果，与业界共享我们的进展。第九章后记：量子计算与AI在创新药物设计领域的无限可能李博士的分享，让我们得以深入了解量子计算与人工智能在创新药物设计领域所描绘的无限可能。正如李博士所言，医图生科并非将量子计算停留在概念层面，而是真实地将其应用于药物设计环节中的核心挑战，并且将最前沿的研究成果以论文的形式带到大家面前。 驱动医图生科投身这一前沿领域的，并非追求短期的高额利润，而是那个“做出一款治病的好药”的朴素而宏大的目标。面对当前AI模型的固有局限，量子计算通过高效求解微观世界的薛定谔方程，能够学习并描述这些底层物理规律，从而突破AI在泛化能力和对历史经验数据依赖上的瓶颈。量子计算的核心优势在于其指数级的加速能力，和AI可以相辅相成地共同开发新药物。医图生科即将推出的TyxonQ太玄量子计算平台，将为药物设计提供无感且强大的计算体验。尽管量子计算在药物设计方面仍面临硬件能力限制、薛定谔方程求解时的“贫瘠高原”问题以及与经典算法融合的挑战，但医图生科凭借其“旺盛的好奇心”与“无畏的探索行动力”，通过全链路AI与整体解决思路，构建起独特的“护城河”。同时，在李博士对新药研发领域的想象中，Quantum AIDD（量子驱动的人工智能药物设计）将催生定制化药物设计开发，实现根据患者个人情况高效设计药物的愿景，从而带来高效、可定制化的药物，真正实现药物设计的“未曾设想的可能”。医图生科正致力于推动这一进程，我们一起期待在这一浪潮中，人类医疗水平迈向新时代。补充材料：量子计算机擅长什么BQP问题（Bounded-Error Quantum Polynomial Time）是量子计算机最擅长解决的一类计算问题，可以简单理解为：BQP是指那些量子计算机能在“多项式时间”内以“较高概率”解决的问题。换句话说，“多项式时间”≈计算时间不会随问题规模爆炸式增长（比如传统计算机算密码破解是指数级增长，但量子计算机可能只需多项式时间）；“较高概率”≈量子计算机可能会出错，但错误概率可以控制（比如答案正确率≥ 2/3）。和传统计算机的对比：P问题（传统计算机容易解决的问题，比如排序、搜索）⊆BQP→量子计算机也能高效解决这些问题，但可能没优势。BPP问题（传统计算机能“随机快速猜答案”的问题）⊆BQP→量子计算机的随机性更强，能解决更多问题。NP问题（比如密码破解、最优路线规划）不完全属于BQP→量子计算机能解决部分NP问题（比如大数分解），但不是全部。量子计算机的杀手锏第一，密码破解——大质数分解（破解RSA加密）：传统计算机要算几千年，量子计算机用（Shor’s Algorithm）算法几分钟即可。所以每一次量子计算机的进步的新闻，第一时间相应的总是虚拟货币；第二，量子化学模拟（比如设计新药分子）：传统计算机难以计算复杂分子，量子计算机天然适合模拟量子系统；第三，优化问题（比如物流路线规划)：量子计算机可以用量子退火算法（Quantum Annealing）快速找到近似最优解；第四，随机采样问题（Random Sampling Problem）是指：从某个概率分布中随机抽取样本，传统计算机很难高效完成，但量子计算机可以轻松做到。然而在上面的典型的4个案例也存在着一些条件或难题：第一，密码破解超大量的量子比特数量（通常认为1000个以上的可编程逻辑比特数量，且噪声可控）才能进行现实问题的求解。第二，量子退火算法在现实世界的问题映射中，需要进行大量的问题抽象，将问题抽象成为ISING模型，然而这个映射过程的复杂程度让工业界有一些望尘莫及。比如在最优路线搜索，蛋白质折叠预测（蛋白质结构预测最早的尝试是玻尔兹曼机Boltzmann machine，医图生科在2024年与玻色量子团队进行合作，用相干Ising机实现短肽的结构预测）。但是这些问题随着问题的扩大，所需要的比特数也同样指数级上升。因此，短期内我们双方也在共同寻找一些生物医药行业内新的场景解决方案。 第三，随机采样问题：这个是谷歌2019年主要显示量子计算机的算力优越性的场景，确实是世界第一次看到了量子算计超越经典计算的案例，但是同样来说，大家觉得这个问题在工业场景也确实应用的不多。第四，量子化学模拟：这就是医图生科在致力于研发，应用的量子计算方向。而且这个问题恰恰是目前量子计算在这种小规模比特数(<200比特甚至于只使用2比特)，也可以完成现实世界挑战的一个领域（行业内认为使用一个物理系统，也就是量子计算机来模拟现实世界的物理系统，是量子计算的一个重要发展方向，也是最为符合量子计算机特性的）。 这个问题之所以没有在之前的量子计算领域被主流的量子计算研究团队关注，是因为这个领域是一个极度交叉的学科。 由于量子计算机在编程的时候，并不是普通的逻辑电路方法，而是采用观察量子态的方式进行。因此，在编程过程中，需要将需要求解的问题，翻译为可以被量子计算机执行的量子电路门。因此，在进行量子化学模拟时，需要具有化学，量子化学（物理化学方法），量子电路设计，量子电路编译，以及编程算法优化这几个学科的背景知识才能高效的完成相关工作，并且以上的这些步骤，并不是独立切割，是必须相互交流的。这些背景知识恰恰是医图生科团队正好具备的，创新药的设计挑战本身就是一个多领域学科的融合。从团队组成来看，医图生科开始布局量子计算+药物设计也是团队在发展过程中必然会考虑的方向。并且我们的工作证明了，在目前的硬件条件下使用量子计算机来进行药物设计，也同样是可以进入工业应用的时刻。量子计算如何摆脱实验数据短缺的桎梏这里用2024年的几项相关工作和案例来说明。相关案例1：第一个是微软亚洲研究院发表在Nature 正刊的论文《Ab initio characterization of protein molecular dynamics with AI2BMD》。论文地址：https://www.nature.com/articles/s41586-024-08127-z这篇文章非常具有代表性，使用计算方法将量子力学的参数，提供给AI进行学习与参考，从而在缺乏微观世界实验数据的情况下，高效地进行分子动力学模拟，并且获得了经过试验验证的全新蛋白质特性与结构。这也是世界上首次将大分子蛋白质进行从头计算精度模拟（可以理解为，遵循现实世界的规律进行演化，而不是经验数据来贴合）。 在这项工作中，一个非常关键的基础性数据准备工作，需要以下几个步骤：将蛋白质分解成重叠的二肽单元；重叠区域采用Ace-Nme片段处理；对每种非脯氨酸二肽，在-180°到175°范围内以5°间隔扫描φ和ψ二面角，生成5,184个锚点构象；对每个锚点进行几何优化和AIMD模拟，使用SMD溶剂模型；每个二肽采样约100万个构象，总计约2000万个训练样本。这是一种非常贴近生物本质的做法，可以理解为，将生物界产生蛋白质的过程比作为盖一个大房子，这个工作描述出了每一块砖头的物理性质（称重，温度耐受等等）基本参数，这些参数都是采用求解薛定谔方程得出。然后通过AI学习这些无法通过实验高效得到的数据，拼接出了一套框架，让人类可以首次以真实世界演化规律的方法来观察蛋白质的结构形成过程。且这些结果得到了真实实验的结果确认。所以，这篇论文是一个非常好的代表，展示了如何在缺乏数据的情况下，量子力学（也可以说量子化学）如何助力AI完成全新的生物医药设计挑战。那么，采用量子计算以更加高效，更加准确的方法来构建基础的这些砖块，就可以得到更加精确的结果和方法论。相关案例2：以及这篇文章中用到的我们课题组2022年的药物设计案例：《A Carbon-Carbon Bond Cleavage-Based Prodrug Activation Strategy Applied to β-Lapachone for Cancer-Specific Targeting，一种基于碳碳键断裂的前药激活策略在β-Lap靶向治疗中的应用》这两篇工作分别介绍了计算化学（用计算的方法来描述量子力学）是如何完成世界首个体内碳--碳键断裂的前药（ProDrug）治疗胰腺癌的理性设计思路，以及量子计算是如何完成这个从经典计算到量子计算的迁移方法。这个药物的背景是很具有渊源的，β-Lapachone作为一种产自于南美的邻醌类天然产物临床药物，在早期的研究中，发现了对于胰腺癌，淋巴瘤，肺癌等显著的药效。自从发现这个结构以来，多家公司进行了药物布局，其中最为知名的是ARQULE公司。ARQ761管线就是该公司使用这个结构布局的胰腺癌药物。（补充说明，该公司最知名的管线是2020年的BTK抑制剂，被默沙东以27亿美金收购）。并且，该管线ARQ761在第44届欧洲肿瘤内科医学会（ESMO），宣布了一个临床进展，ARQ761与吉西他滨//白蛋白结合性紫杉醇联用。同时也有一个单独给药的临床研究。适应症为NQO1高表达实体瘤，如下图所示。然而，这些相当具有临床前景的药物效果，尤其是在临床二期展现出的广谱的抗肿瘤活性，特别对胰腺癌药效显著，却伴随着一些不能忽视的副作用，其治疗窗口（Therapeutic Window,指药物在体内既能产生预期疗效又不引发严重毒副作用的安全血药浓度范围）过于狭窄, 导致其药物在II期临床后暂停。因此，对于这种药物，必须找到一种，可以安全地在肿瘤部位释放该核心有效成分的方法，来避免药物在正常人体器官中的破坏，同时加强药物在关键部位的杀伤效果。最终，课题组决定采用前药（ProDrug)的策略来完成该挑战。前药是一种指通过化学修饰将活性药物（母药）转化为体外无活性或低活性的衍生物，该衍生物在体内经酶或非酶作用释放母药，从而发挥治疗作用。我们可以理解为一种导弹的保护壳，只有在特定的部位，才会打开保护壳，释放弹头，从而杀灭肿瘤。然而这种保护壳，常见的打开策略是利用C-O碳-氧键的断裂释放，这也是前药策略最为常见的化学键。例如最为知名的流感治疗药物奥司他韦利用乙脂化来提高利用度。但是，对于β-Lapachone这种药物，常见的C-O键释放测录，以及C-H键释放策略都不适用，其核心原因是在于C-O键非常容易被肠道和胃部分解。因此，想出了采用C-C键（碳-碳键）的这种更稳定的化学结构，从而避免过早地药物被释放并造成其他的器官损害。然而，C-C键的释放策略并没有出现在之前的成功药物设计中，也就意味着，团队需要从第一性原理出发，分析药物的目标环境，分析出其C-C键是否可以在肿瘤部位被合理的释放，但又由于缺乏相关的前期试验数据支持，那么，就必须引入计算工具进行合理地推演。 于是我们将C-C键的释放过程，结合胰腺癌的特殊微环境——富含ROS的环境，利用第一性原理（求解薛定谔方程），判断能否发生该释放行为，来进行结构设计指导。下图展示了，不同结构的释放与真实实验数据的对比。以上的过程充分显示了使用量子化学的方法来解决缺乏实验数据的药物设计困境的能力。并且在后续的工作中，我们引用了量子计算机，来同样解决上述过程。不难看到的结论就是，采用量子计算机VQE方法来求解薛定谔方程，所取得结果，即便有噪声与误差，在对标行业默认金标准“dft”方法下，已经满足生物医药行业的误差容忍度(<20kcal/mol)。这时我们不难看出，如果这个过程可以得到进一步的加速，将现有的由于相同安全性失败的药物，全部都将可能的释放过程计算一遍，让AI学习这些特征， 那么，未来的出现了新的Lead Compound（先导化合物），AI可以直接给出设计结论：就按照xxx方法进行设计，即可满足安全性和有效性的双重约束！并且该过程并没有传统的湿试验参与！相关案例3：最后一个案例，我们可以详细看一下诺奖得主David Baker 在2025年的新研究工作，发表于《Science》正刊的论文，这个工作非常具有代表性地展示了如何使用量子化学（Quantum Chemsitry，求解薛定谔方程）来助力AI在缺乏实验的情况下，完成De-Novo复杂酶如丝氨酸水解酶的设计。计算化学奠定设计基础这个工作研究始于量子化学（QM）优化，用于精确模拟丝氨酸水解酶催化反应中的过渡态结构。薛定谔方程计算确定了活性位点残基（如丝氨酸、组氨酸）的理想几何位置，包括氢键角度（约94°）和氧阴离子洞的构型。这些参数源自对天然酶反应路径的量子力学模拟，确保了催化机制（如酰基-酶中间体的形成）的化学可行性。QM提供了原子级精度的“蓝图”，避免了传统试错法的盲目性，例如：QM优化过渡态：定义了亲核攻击、质子转移等关键步骤的能垒和几何约束。活性位点描述：最小化描述包括催化三联体（Ser-His-Asp/Glu）和氧阴离子洞，作为AI生成的输入。AI生成与优化蛋白质结构AI工具（RFdiffusion和PLACER）利用量子化学输出生成和评估全新蛋白质骨架，确保多步反应的兼容性：RFdiffusion构建骨架：基于扩散模型，从量子化学定义的活性位点出发，生成全新蛋白质折叠。RFdiffusion从随机噪声开始，迭代优化结构，匹配关键性几何约束（平均RMSD≈0.1Å）。这突破了传统支架库的限制，产生了5种自然界未见的折叠类型。PLACER评估预组织：深度神经网络生成催化循环中各状态（如apo、酰基-酶中间体）的结构集合，量化氢键形成频率和构象稳定性。例如，PLACER预测Ser-His氢键角度（94° vs. 无活性设计的108°）和丝氨酸旋转异构体状态（g-构型利于催化），筛选出预组织良好的设计，实验成功率从3%提升至73%。该方法设计出高效丝氨酸水解酶，催化效率（kcat/Km）达2.2×10^5 M⁻¹s⁻¹，加速四步水解反应，且晶体结构验证了原子精度。关键性的量子化学-AI相互协作包括：多步反应兼容：PLACER评估完整反应路径（如TI1、AEI），解决了酰基-酶中间体水解的长期瓶颈。应用拓展：针对PET降解优化设计，通过QM定义PET二聚体过渡态，结合RFdiffusion重建结合口袋，实现底物特异性改造。效率提升：比传统设计（如定向进化）快10^5倍，催化周转率提高400倍。该研究证明，计算化学提供机制基础，AI实现结构创新，二者协同为设计新型酶（如酰胺酶、连接酶）开辟道路，推动生物催化在环保和工业中的应用。结合了以上的几个案例，还有很多的情景可以使用计算的方法来助力AI药物设计，例如PPI蛋白质--蛋白质结合时，通常处于质子化或修饰化的状态，在这种状态下如何动态评估他们的相互作用以及化学反应，人类是很难观察到相关过程的，从第一性原理出发就是很好的手段。再比如，前面提到的金属离子的配位结合，同样也是无法高效的获取微观结构的实验数据。都需要量子化学（求解薛定谔方程来助阵）。--------- End ---------感兴趣的读者，可以添加小邦微信加入读者实名讨论微信群。添加时请主动注明姓名-企业-职位/岗位或姓名-学校-职务/研究方向。