Les méthodes informatiques de conception de médicaments ont considérablement progressé parallèlement aux approches expérimentales, en contribuant de manière significative au développement des médicaments en gagnant du temps et en réduisant les coûts. Une stratégie intéressante pour la conception de médicaments consiste à trouver le composé chimique optimal - à partir d'une vaste collection de structures de molécules - qui optimise (minimise ou maximise) un "chiffre de mérite". Le chiffre de mérite pourrait être, par exemple, l'énergie libre de liaison, qui donne l'affinité d'une molécule (ou d'un ligand) vis-à-vis d'une protéine. Dans cet exemple, l'objectif serait d'identifier la structure moléculaire qui optimise l'énergie libre de liaison.
Cependant, pour déterminer le meilleur médicament, il faut passer en revue une vaste sélection de structures moléculaires candidates. Bien qu'il existe des méthodes d'optimisation classiques relativement efficaces, l'identification des valeurs extrêmes pour de vastes ensembles de données reste incroyablement difficile et gourmande en ressources pour les ordinateurs classiques. En fait, les méthodes classiques traditionnelles ne recherchent pas la structure moléculaire optimale à l'aide d'une approche holistique. Au lieu de cela, elles utilisent l'apprentissage automatique pour former un modèle et prédire à l'aveugle l'énergie libre de liaison pour le plus grand nombre de configurations possible.
L'apprentissage extrême est une nouvelle méthode informatique qui aide à trouver des solutions optimales. Elle combine les techniques d'apprentissage automatique - qui permettent aux ordinateurs d'apprendre à partir des données et d'améliorer leur précision pour résoudre des problèmes complexes - avec les méthodes d'extrémisation.
L'extrémisation est l'art de trouver une valeur extrême (maximum ou minimum) d'un modèle en tenant compte des paramètres du modèle. Les chercheurs et les ingénieurs utilisent les techniques d'extrémisation (parfois également appelées optimisation) pour décider de l'utilisation la plus efficace de leurs ressources. Dans le secteur de la découverte de médicaments, elle aide les sociétés pharmaceutiques à trouver le meilleur traitement pour les patients atteints d'une maladie particulière.
Inspirés par les méthodes classiques d'apprentissage extrémal, les chercheurs de PASQAL ont créé un algorithme d'informatique quantique spécialement conçu pour l'extrémisation, appelé Quantum Extremal Learning (apprentissage extrémal quantique).
En adoptant les principes de la physique quantique, qui sont précisément les lois régissant le comportement atomique et moléculaire, cette approche promet une précision accrue par rapport à la solution classique et une accélération potentielle lors de l'examen de problèmes complexes.
Dans leur préprint scientifiqueles scientifiques montrent comment leur algorithme pourrait être appliqué à la conception de médicaments, y compris dans des situations où les ensembles de données sont trop complexes pour être traités par des ordinateurs classiques. Examinons les avantages potentiels de l'informatique quantique pour la conception de médicaments à l'aide d'un exemple particulier.
Conception de médicaments avec les techniques d'apprentissage quantique extrême, un exemple
Les chercheurs en conception de médicaments cherchent généralement à étudier l'énergie totale d'une molécule lors de variations de sa structure en remplaçant différents groupes chimiques sur des sites ciblés, comme le montre la figure ci-dessous.
Dans cet exemple, nous utilisons la molécule de xanthone, connue pour ses propriétés médicinales potentiellesy compris des effets antiviraux, antitumoraux et anti-inflammatoires. La molécule modifiée présentera une énergie libre de liaison différente en fonction du groupe chimique (R) lié à chaque site. Cela signifie que l'énergie libre de liaison change lorsque l'on modifie chaque groupe R sur chaque site de la molécule. La question à laquelle nous voulons répondre ici est la suivante : Quelle est la structure modifiée de la molécule de xanthone qui présente l'énergie libre de liaison la plus faible ?
Dans les problèmes réels de ce type, les scientifiques doivent rechercher la solution optimale dans un grand nombre de configurations. Les méthodes classiques qui recherchent de manière exhaustive la combinaison optimale sont courantes en raison de l'augmentation des ressources de la puissance de calcul classique. Toutefois, ces méthodes sont inefficaces et coûteuses.
De par leur nature, les ordinateurs quantiques sont exceptionnellement performants lorsqu'il s'agit de résoudre des problèmes comportant un grand nombre de combinaisons. En tirant parti des principes de la physique quantique, les unités de traitement quantique peuvent traiter plus d'informations en même temps que les ordinateurs classiques. Mais comment ? Contrairement au bit classique qui peut prendre la valeur 1 ou 0, le bit quantique, ou qubit, peut prendre les valeurs 0 et 1 en même temps ! C'est ce qu'on appelle la superposition. Ensuite, nous utilisons un phénomène quantique appelé enchevêtrement, où nous préparons les qubits à être fortement corrélés pour former un système quantique unique. Les lois quantiques nous permettent également de préparer les états du système quantique afin de bien contrôler les calculs. Ces propriétés, impossibles à utiliser dans les architectures informatiques classiques, nous permettent de stocker des charges d'informations simultanément et d'effectuer des calculs de manière extraordinairement efficace.
En appliquant l'algorithme d'apprentissage quantique extrémal à la molécule de xanthone, nous sommes en mesure de tirer parti de la superposition et de l'intrication pour proposer un bon modèle décrivant la relation entre la structure moléculaire et l'énergie libre de liaison, et trouver la structure optimale, en utilisant seulement cinq qubits. Cette fois, nous n'autorisons que deux groupes de substitution sur chaque site, où chaque site est représenté par un qubit, et nous attribuons les valeurs 0 et 1 aux groupes R possibles. Examinons de plus près cette nouvelle méthode.
Collaboration entre le classique et le quantique
L'algorithme d'apprentissage extrémal quantique comporte deux phases. Dans la première phase, nous utilisons l'informatique quantique pour proposer un modèle qui dépend d'une variable auxiliaire accordable. Ensuite, à l'aide de l'informatique classique, nous accordons cette variable supplémentaire. Nous répétons le calcul quantique avec la variable réglée et vérifions si elle a besoin d'être réglée davantage. Il s'agit d'un processus itératif : nous le répétons jusqu'à ce que nous trouvions le meilleur modèle décrivant le problème.
Une fois que nous disposons d'un modèle suffisamment précis, dans la deuxième phase, nous utilisons à nouveau notre approche hybride pour trouver la valeur extrême de l'énergie totale de la molécule, où nous utilisons la nature probabiliste de l'informatique quantique pour guider le processus vers la solution optimale.
L'avenir de la conception de médicaments grâce à l'informatique quantique
Malgré notre compréhension des systèmes biologiques et les progrès des techniques expérimentales et informatiques, prédire la réponse d'un organisme vivant à un médicament reste une tâche difficile. Cependant, l'utilisation de méthodes informatiques pour faire des prédictions précises permet de réduire les délais et les coûts de développement des médicaments.
Chez PASQAL , nous avons démontré notre capacité à résoudre avec succès des problèmes pharmaceutiques. L'apprentissage quantique des valeurs extrêmes est un algorithme prometteur conçu pour aider à trouver les valeurs extrêmes (valeurs maximales ou minimales) des problèmes trop complexes pour les ordinateurs classiques, notamment ceux qui peuvent faire avancer la découverte de médicaments. Les progrès de l'informatique quantique seront très utiles dans le secteur des soins de santé, car ils amélioreront notre qualité de vie.
Références
Varsamopoulos, S., et al, (2022). Apprentissage extrême quantique. Preprint disponible : [2205.02807] Apprentissage extrême quantique (arxiv.org)
