最新研究！GLP‑1R 药物发现新尝试，在经典神经网络上接入模拟量子电路做活性预测

近日，Quentir官网报道了一项量旋科技的研究工作。Quentir 是美国 Quentir Systems LLC 运营的量子行业洞察平台，面向董事会、政策负责人与投资者，通过《Quentir Medicine Monitor》每日追踪量子医药进展并为每项能力标注 TRL（技术成熟度）。创始人 Mauritz Kop 是斯坦福负责任量子技术中心创始人、CIGI 高级研究员。该平台原创解读并收录这项 GLP-1R 量子活性预测研究，说明该研究进入国际独立观察视野，定级为TRL 2。

以下为原文转载。

深圳量子计算公司 SpinQ（量旋科技）与深圳药物开发商 DIVBIO（深创生物）的一项联合研究显示，在传统神经网络中加入一个小型模拟量子电路，可能有助于提升对候选分子激活 GLP-1R 受体效力的预测能力。

GLP-1R受体是 2 型糖尿病和体重管理药物的重要靶点，因此，即便是在早期化合物筛选阶段取得有限进展，也引起了关注。

这篇预印本于 2026 年 10 月 9 日发布在 arXiv 上。研究团队测试了一种名为量子电路残差头的结构：在常规线性预测结果上，叠加一个由五个量子比特构成的电路所产生的修正项。

研究关注的是效力预测，也就是根据分子结构估算其在实验检测中产生半数最大效应所需的浓度。论文还设置了严格的经典对照模型，这对解读研究结果至关重要。

论文全文、19 页的补充材料及摘要均已在 arXiv 公开，编号为 2610.13037。链接为 https://arxiv.org/abs/2610.13037

▍SpinQ和DIVBIO使用了哪些数据

研究团队使用的数据来自 ChEMBL 第 37 版。ChEMBL 是由欧洲分子生物学实验室欧洲生物信息学研究所（EMBL-EBI）运营的开放生物活性数据库。研究仅纳入针对人源 GLP-1R 受体、采用 cAMP 测定且报告精确 EC50 值的数据。cAMP 是 GLP-1R 受体被激活时细胞产生的一种信号分子。

在去除标记、处理重复记录，并对同一结构的重复测量取中位数后，GLP-1R 受体数据集包含 1,052 种化合物：按作者的分类规则，其中 472 种为小分子，580 种为肽类；该规则将酰胺键作为分类依据。

研究还纳入了另外两个受体作为对照：β2 肾上腺素能受体（ADRB2）数据集包含 829 种化合物，其中 711 种为小分子；黑皮质素-4 受体（MC4R）数据集包含 767 种。两者都是已知药物靶点：ADRB2 与哮喘治疗相关，MC4R 则与罕见遗传性肥胖有关。

作者也指出了公开效力数据的局限性：同一组 cAMP 效力数据可能汇集了不同实验室、不同测定条件下的结果。因此，模型误差不仅反映预测能力，也可能受到数据标签本身噪声的影响。

▍五量子比特残差头如何工作

每个模型都由三个部分共同训练。首先，经典编码器将化合物转换为一组紧凑的数值表示：多层感知器读取分子指纹，图神经网络则读取分子的原子和键结构。随后，线性预测头根据该表示给出基础预测。量子头读取同一表示，将其编码到五个量子比特中，接着应用两层可训练旋转门，并通过一圈 CNOT 门连接量子比特。测量结果经过加权求和后，被加到基础预测值上。量子头共有 36 个可训练参数。

研究没有使用量子计算机。五量子比特电路通过 PyTorch 在传统计算硬件上进行状态向量仿真，因此可以精确计算。

▍GLP-1R 受体结果：随机划分与结构聚类划分

研究团队用两种方式划分数据并评估模型。

• 随机划分：将化合物随机分配到训练集和测试集。此时，测试集中的分子往往会在训练集中找到结构相近的分子。
• 结构聚类划分：将结构相近的化合物归入同一组，避免相似度达到或超过 0.90 的化合物分散在训练集和测试集两侧。这种划分更具挑战性。

作者指出，对独立化学系列的验证仍有待后续开展。

在结构聚类划分下，加入量子头后，基于分子指纹的模型平均绝对误差从 0.677 降至 0.639 个对数单位；基于分子图的模型则从 0.680 降至 0.641 个对数单位。以上结果是五次训练运行的平均值。研究团队报告称，在四种编码器与数据划分设置下，量子头在各次训练中均优于相应的基础模型；它也优于一个由 69 个参数构成的传统神经网络残差头。

此外，两个基础模型的表现都优于经过调优的 Chemprop。Chemprop 是一款广泛使用的开源分子性质预测工具，研究团队将其作为领域基准之一。

不过，提升幅度不宜夸大：平均误差下降约 0.04 个对数单位，相当于较基础模型降低约 6%。论文没有检验这一改进是否能改善候选化合物的排序，也没有评估它是否会影响团队最终选择合成的化合物。

▍为什么参数量相同的经典对照很重要

论文中一个重要的设计，是纳入了不少量子机器学习研究未必会进行的对照测试。作者通过数学分析证明，五量子比特量子头实际上计算的是编码器输出的一个受约束二次函数。随后，他们构建了纯经典的对照模型，其中包括一个与量子头参数量同为 36 个、并受实正交约束的模型，且采用相同方式训练。

经典对照的表现与量子头接近。在随机划分下，两者误差基本相同；在结构聚类划分下，量子头在分子指纹编码器上的优势为 0.020 个对数单位，在图编码器上的优势为 0.008 个对数单位。对于 ADRB2 和 MC4R 数据集，两种模型则因具体设置不同而各有胜负。作者据此认为，特征之间有结构约束的二次相互作用，可能解释了部分性能提升。

对于评估药物研发领域量子计算主张的读者来说，这类对照非常关键：只有让同等规模、结构相当的经典模型接受公平比较，才能判断量子层是否带来了额外收益。此前关于默克阿尔茨海默病候选药物 verubecestat 的量子注意力模型，也曾出现类似的讨论。

▍加入模拟硬件噪声后会怎样

补充材料考察了五个逐步增加的噪声等级，以模拟真实量子处理器可能面临的噪声。在较低的三个噪声等级下，量子头基本保留了原有优势。到了第四档，量子头在结构聚类划分下的优势明显缩小，在随机划分下相对于基础模型的优势也有所下降；在最高噪声等级下，量子头的表现则低于不含残差头的基础模型。

作者指出，未来若在量子硬件上进行测试，还需要考虑数据编码到量子比特的成本以及重复测量的开销，这些成本不会体现在目前的仿真中。

▍这项研究意味着什么

对制药团队而言，这项研究提出了一种可以在普通计算机上试用的模型设计。SpinQ 已在公开的 GitHub 仓库中提供代码、预处理数据、固定的数据划分方案和训练好的模型权重。代码按 MIT 许可证发布；ChEMBL 数据仍受其自身的署名和使用条款约束。研究结果也显示，采用相同数学结构的经典模型，可能在不使用量子硬件的情况下获得大部分性能收益。

对临床医生和医院采购人员而言，这项研究距离临床应用仍很远。模型预测的是特定实验条件下、单一受体的体外效力。细胞实验中的效力指标本身不能说明药物的安全性、剂量、耐受性或临床结局，研究也没有提出待合成或待测试的新化合物。作者列出的后续工作包括：在独立化学系列上测试、按时间划分数据以模拟真实药物发现过程、开展前瞻性实验室验证，以及在量子硬件上运行模型。

▍资料来源

主要来源：贾宸彦、郭聪、马亚平、王宇恩《量子电路残差用于受体功能效力预测：预测收益与二次结构》（编号 2610.13037，2026 年 10 月 9 日发布），以及其补充材料。

研究还参考了 ChEMBL 数据库、作者公开的代码库、Chemprop 项目，以及《观察者》此前关于 verubecestat 量子注意力模型的报道。技术成熟度等级（TRL）的评估则是《观察者》的编辑判断。

原文链接：https://www.quentir.ai/medicine/2026/spinq-divbio-five-qubit-circuit-glp-1-receptor-potency-prediction-arxiv-9-october-2026?utm_source=linkedin&utm_medium=organic&utm_campaign=quentir-2026-07