Paritaprevir

近日，Parabilis Medicines（原FogPharma，以下简称Parabilis）宣布完成新一轮3.05亿美元F轮融资。 本轮融资由RA Capital Management、Fidelity Management& Research Company和Janus Henderson Investors共同领投，其他参与者包括Frazier Life Sciences、Soleus Capital等明星机构。作为一家临床阶段的生物制药公司，自成立起，Parabilis便在肿瘤学领域深耕。截至目前，Parabilis已完成五轮融资，累计融资8.01亿美元。 Parabilis究竟有什么魅力，能持续吸引资本的目光？ 01 创立10余家Biotech的哈佛化学家，携手前强生全球研发负责人，破解“靶点可识、药物难研”困境 在癌症治疗领域，“靶点可识别，药物难开发”是一直以来困扰全球制药领域的难题。随着医学研究的不断深入，科学家们已发现大量与肿瘤发生、发展密切相关的疾病靶点，但其中超过80%的靶点被判定为“不可成药”，无法通过传统药物实现有效干预。而这些靶点之所以难以成药，核心技术瓶颈在于两方面：所在位置问题和自身结构问题。 多数关键肿瘤靶点存在于细胞内部，抗体因其分子量大无法穿透细胞膜，导致无法触及这些胞内靶点；同时，这些靶点多为蛋白－蛋白相互作用靶点，其表面平坦，缺乏小分子药物所需的“深结合口袋”，致使传统小分子药物难以实现精准、高效的结合：即便其能穿透细胞膜，也易被体内酶降解，无法发挥针对性治疗作用。 多年来，全球制药企业和科研机构都在寻找摆脱这一困境的方法，试图开发出能穿透细胞膜、精准结合胞内平坦靶点的新药。2015年，Parabilis应运而生——这家总部位于美国马萨诸塞州剑桥市的公司，拥有一支兼具顶尖科研能力与丰富产业经验的核心团队： 联合创始人Gregory Verdine博士，除了是科学家，也是企业家与投资人，35岁便成为哈佛大学化学系的终身教授。他深耕化学生物学与新药研发数十年，累计创立了10多家生物科技公司，其中5家成功上市、其中Gloucester Pharmaceuticals被生物制药巨头Celgene收购，主导开发三款药物罗米地辛（Romidepsin/Istodax®）、帕立瑞韦（Paritaprevir/ Viekira Pak®成分）和格卡瑞韦（Glecaprevir/Mavyret®成分）已获FDA批准上市。 董事长兼CEO Mathai Mammen博士，曾担任强生公司执行委员会成员兼全球研发负责人，他长期深耕生物医药领域，具备丰富的企业管理与新药研发统筹经验，主导公司融资、管线推进与全球战略布局。在其带领下，Parabilis成功完成多轮大额融资，核心管线稳步推进至临床阶段。 02 由天然蛋白螺旋到可设计的“订书肽” Parabilis的核心资产为其自主研发的Helicon™平台。其底层技术源自Verdine教授及其实验室团队的突破性研究。20世纪90年代末，该团队获得了一项长期研究的突破性进展：蛋白质α螺旋结构（the protein alpha-helix），既能嵌入细胞膜、实现高效穿膜，又能结合平坦的蛋白表面，恰好具备破解“不可成药”困境的核心特性。 α螺旋并非随意的蛋白结构，而是蛋白质的一种天然构象。它在具备一定刚性的同时，又有足够的灵活性和天然的稳定性。 2000年，Verdine团队基于这一洞见，发明了“订书肽”技术（stapled peptides），即Helicon技术雏形——通过化学交联技术，将短肽稳定为α螺旋构象，不让其结构松散，同时精准调控肽链的氨基酸序列，让它既能保持α螺旋的穿膜能力，又能精准匹配胞内靶点的结构。 具体来说，团队会选择特定的氨基酸（非天然氨基酸），通过专属连接子将其连接，形成稳定的α螺旋结构，使其在轻松穿透细胞膜的同时，还能通过表面的氨基酸侧链与胞内靶点形成紧密结合；并且，“订书”设计还能避免肽链被体内蛋白酶降解，让药物在体内持续发挥作用。 Helicon™技术原理（图源Parabilis官网） 03 融合模块化学+高通量验证，打造AI+闭环平台 随着生物化学技术与计算科学的持续迭代，Parabilis在订书肽等前沿多肽技术的基础上持续深耕，最终搭建起独具壁垒的Helicon™平台。Parabilis将其定义为一套AI与实验技术融合的全新药物创造体系，以AI与物理计算、模块化学、多重实验平台三大支柱为核心，大幅提升了新药研发的效率，也让“不可成药”的靶点真正实现可干预、可治疗。 Helicon™平台三大核心（图源Parabilis官网） 化学修饰模块化：以蛋白质天然α螺旋结构+独创“订书”化学交联技术为基础，Parabilis自建超过1000种定制非天然氨基酸库，搭配数百种专有连接子。平台使用模块化化学组装的方法，拥有比天然肽高出20个数量级的多样性，在保留α螺旋的穿膜能力的基础上，让肽链表面氨基酸侧链精准暴露，与胞内平坦靶点形成特异性结合，解决了传统肽链“结构不稳定、穿膜效率低、结合力弱”三大痛点。 AI物理计算模型：Helicon™平台整合了先进的AI算法与物理计算模型，构建了专属的肽设计与筛选系统。与传统药物研发的逐一筛选、穷举尝试的模式不同，Helicon™平台的AI模型以Parabilis独有的非天然氨基酸数据集为基础，结合前沿物理建模，可以实现快速预测不同氨基酸组合、不同“订书”方式所形成的α螺旋肽的关键属性，包括穿膜效率、靶点结合亲和力、体内稳定性、代谢半衰期、免疫原性、ADME性质等。 高通量验证闭环：为确保筛选出的候选药物具备临床应用价值，Parabilis搭建了完善的多重高通量实验验证体系，使用高度自动化的实验设备，可同时并行评估数千个α螺旋肽分子。AI模型还能通过自学习机制，结合高通量实验数据，持续优化预测精度，形成“实验产生数据→训练AI→AI指导设计→实验验证”的闭环。此外，AI模型结合公开的生物和患者数据集，进一步优化临床设计，缩短候选药物筛选周期，大幅降低研发成本。 Helicon™平台运行流程（图源Parabilis官网） 04 自研小分子进入临床，合作研发放射性配体疗法 依托Helicon™平台的技术优势，Parabilis目前已构建了多元化的研发管线，涵盖临床阶段、临床前阶段，聚焦“不可成药”胞内靶点，覆盖了多种恶性肿瘤。 ■ 全球首个且唯一直接抑制β-catenin:TCF相互作用的在研药物zolucatetide（FOG-001） Wnt/β-catenin（Wnt/β-连环蛋白信号通路，经典肿瘤相关信号通路）通路异常是结直肠癌、肝细胞癌、胃癌、硬纤维瘤、造釉细胞瘤等多种实体瘤的关键驱动因素，但β-catenin与转录因子T细胞因子（TCF，经典Wnt信号通路的核心转录激活复合体）家族的相互作用长期被视为不可成药靶点。 zolucatetide作为β-catenin:TCF相互作用的竞争性抑制剂，通过直接靶向该核心，阻断其相互作用，不依赖具体突变类型，即可关闭下游致癌信号，从根本上阻断了肿瘤进展。 目前zolucatetide处于1/2期临床阶段，于2025年11月和2026年3月获得FDA授予的硬纤维瘤适应症快速通道资格和孤儿药资格： 硬纤维瘤：在12名接受了zolucatetide治疗的硬纤维瘤患者中，根据RECIST 1.1标准，所有可评估疗效的患者（n=10）均出现肿瘤缩小；同时，在完成超过一次基线后扫描的患者（n=5）中，观察到80%的客观缓解率（ORR），且安全性良好，无4/5级治疗相关不良事件。 造釉细胞瘤型颅咽管瘤（ACP）：三名ACP患者在接受了144 mg/m²（n=1）和360 mg/m²（n=2）剂量水平的zolucatetide治疗后，所有患者（n=3）均出现肿瘤缩小，其中两名患者达到部分缓解，肿瘤体积分别缩小56.0%和48.0%；一名患者疾病稳定，肿瘤体积缩小19.2%。 家族性腺瘤性息肉病（FAP）：一名患FAP并伴有韧带样瘤的患者，在接受zolucatetide治疗60周后，获得了显著改善；与近两年前治疗前的评估相比，观察到息肉数量和大小均大幅减少，分期下调，韧带样瘤直径也减小了52.2%。 其他：在肝细胞癌（HCC）、成釉细胞瘤、涎腺癌、实性假乳头状肿瘤（SPN）均观察到单药活性。 目前，Parabilis储备多个“不可成药”靶点管线，围绕“订书肽”搭建小分子+核药产品矩阵。 ■ 多条小分子管线储备 β-catenin degrader（β-连环蛋白降解剂）：采用Helicon™技术，通过双功能降解剂方法结合可溶性β-catenin，并将其靶向蛋白酶体进行降解。可与zolucatetide形成机制互补，聚焦于关闭Wnt通路，覆盖80%–90%的结直肠癌病例。 ERG degrader（ERG降解剂）：靶向ERG融合蛋白（前列腺癌常见融合蛋白），精准结合ERG独特区域，并搭载E3配体，通过泛素-蛋白酶体系统特异性降解ERG，而不影响结构相似的ETS家族蛋白；可针对约40%前列腺癌存在的TMPRSS2-ERG融合，为去势抵抗性前列腺癌提供新的治疗选择。 Androgen receptor degrader（雄激素受体降解剂，非配体结合位点）：靶向雄激素受体AR（结合在非配体结合区），绕过AR配体结合域高频耐药突变，直接降解活化态AR；解决转移性去势抵抗性前列腺癌（mCRPC）现有药物耐药问题。 ■ 携手ARTBIO，共创核素+靶向治疗新赛道 HEARTs（Helicon-enabled alpha radioligand therapies）：与放射性制药公司ARTBIO合作，共同开发针对多个靶点的Helicon赋能α-放射性配体疗法（HEARTs）。双方充分发挥各自核心技术壁垒：Parabilis提供Helicon™平台，解决靶点结合难题；ARTBIO依托AlphaDirect™平台，提供潜在同类最优同位素铅-212（212Pb）的放射性配体开发能力。 铅- 212凭借半衰期短、精准释放大能量至肿瘤、高稳定性、可SPECT/CT成像的理想临床特征，可与Helicon™肽的靶向性结合，实现对肿瘤的精准递送与可视化治疗。 05 AI+蛋白质设计重构新药研发范式，中外企业加速抢占先机 随着现代科技尤其是人工智能的发展，AI与蛋白质设计的深度融合正掀起一场产业革命。全球范围内已有多家企业聚焦与此进行研究，行业正从技术验证阶段加速迈向价值兑现阶段。 英矽智能（03696.HK）凭借Pharma.AI平台，实现了“AI发现新靶点+AI设计药物分子”的全流程闭环。其核心管线TNIK（Pharma.AI发现的肺纤维化新靶点）抑制剂Rentosertib（伦托司替）在大大降低研发成本的同时提升了研发速度，并已于2025年在《Nature Medicine》发表IIa期临床试验数据，结果显示其具有潜在的抗纤维化及抗炎作用。 晶泰科技（02359.HK）基于垂类数据应用人工智能+机器人技术打造技术平台，据晶泰科技官网披露，其PepiX™ AI多肽药物一体化平台可实现多肽从头设计，无需考虑靶点是否具有已知蛋白质-蛋白质相互作用，数月内即可产出低纳摩尔级高亲和力肽段，研发效率较传统模式大幅提升。2026年2月，晶肽科技与尧唐生物共建mRNA/CAR-T AI筛选平台，期望在降低治疗成本的同时提高药物研发的效率和成功率。 由在AI蛋白质领域由相关研究的计算生物学家许锦波教授创立的分子之心（MoleculeMind），近期携手天津大学、海南大学、南方科技大学、杜克大学等科研结构，通过自研ComplexDDG等AI蛋白质算法，实现蝎毒素LqhαIT的杀虫效力翻倍。同时，其自研的MoleculeOS大模型已完成代际升级，集成NewOrigin达尔文大模型，成功解决AlphaFold 3未覆盖的产业难题，可广泛应用于抗体设计、酶改造、多肽优化等场景。 在跨国药企阵营，礼来、赛诺菲、施维雅等龙头企业也纷纷抛出橄榄枝，通过大额战略合作，快速抢占AI+蛋白质设计赛道高地。 礼来除与英矽智能达成27.5亿美元战略合作外，还与英伟达宣布联合投入10亿美元成立AI药物研发实验室，旨在缩短新药研发周期。同时，礼来自研的AI平台覆盖抗体、小分子药物设计，重点布局肿瘤、神经退行性疾病领域，据礼来官网披露，其推出的AI药物发现模型拥有超过价值10亿美元的专有数据。 赛诺菲则聚焦自身免疫/炎症疾病领域，2026年1月与华深智药子公司Earendil Labs达成最高25.6亿美元合作，应用AI平台发现新型双特异性抗体，借助AI技术优化抗体设计、推进多肽药物研发，突破传统研发瓶颈。施维雅则深耕肿瘤领域，2026年1月与英矽智能签署多年期合作，金额最高8.88亿美元，联合开发肿瘤领域挑战性靶点药物，由英矽智能负责靶点与分子设计，施维雅主导临床与商业化推进。 从难点到蓝海，从布局到破局，全球生物医药行业正以技术创新重新定义治疗的边界。未来，随着AI制药、蛋白降解、稳定肽等技术持续突破，或将有更多靶点被逐一攻克。 如果您想对接文章中提到的项目，或您的项目想被动脉网报道，或者发布融资新闻，请与我们联系；也可加入动脉网行业社群，结交更多志同道合的好友。 近 期 推 荐 声明：动脉网所刊载内容之知识产权为动脉网及相关权利人专属所有或持有。未经许可，禁止进行转载、摘编、复制及建立镜像等任何使用。文中如果涉及企业信息和数据，均由受访者向分析师提供并确认。 动脉网，未来医疗服务平台

会议推荐 2026第三届中国医药企业项目管理大会 2026第二届中国AI项目管理大会 2026第十五届中国PMO大会 2026第五届中国项目经理大会 本 文 目 录 1、【科技参考】量子计算将推动医药领域的新前沿 2、生物制药中的量子计算:未来前景与战略洞察 3、制药业迎来""量子春天""!揭开亿万蓝海 4、当量子计算撞上药物研发:今天的量子技术，正在破解百年难题 一、【科技参考】量子计算将推动医药领域的新前沿 （原创 郑思聪 科情智库） 当前，量子计算快速发展，在医药领域展示出广阔的应用前景。2023年全球医药领域量子计算的市场价值为8500万美元，预计到2028年将超过5亿美元，复合年增长率高达42.5%，美国、日本、丹麦等国已加速相关部署。在此背景下，英国国家量子计算中心于2025年3月发布《医疗制药与量子计算的融合：医学新前沿》洞察报告，深入探讨了量子计算在未来数十年内对医药领域可能带来的变革性影响，并从研发计划制定、开放创新生态系统建设、专业人才培养、资源和资金分配、加速行业应用等方面提出一系列政策建议。 2024年10月，在英国国家科研与创新署（UKRI）的资助下，英国国家量子计算中心（NQCC）正式设立，旨在通过与产业界、政府机构和学术界合作，培育英国量子计算生态系统，重点关注量子计算在能源网络优化、药物发现、气候预测和人工智能创新等领域的应用。2025年3月25日，NQCC发布首份洞察报告《医疗制药与量子计算的融合：医学新前沿》报告指出，量子计算有望为医药领域带来变革性影响。 / 一 / 量子计算在医药领域的应用潜力和挑战 （一）应用潜力 随着医疗数据量的持续增长以及生物模型的日益复杂化，经典计算系统在处理大规模、高维数据集、精确模拟复杂分子和生物相互作用方面正逐渐逼近极限。在此背景下，量子计算有望成为解决医疗保健和制药领域计算挑战的有力工具：（1）加速问题解决：量子计算机有望实现经典计算机难以企及的高速复杂计算。例如，模拟分子间相互作用或在极短时间内完成蛋白质—配体结合过程，大幅缩短药物研发周期；（2）提高解决方案精度：通过直接模拟量子现象（如电子行为和分子反应），量子计算具有提供高精度模拟的潜力，这对于计算电子结构和预测复杂生物行为等至关重要，能够加速开发更有效的治疗方法；（3）降低成本并提高能源效率：量子计算机有潜力更高效地执行计算任务，减少能源消耗并降低运营成本，这对于资源密集型任务尤为重要（如复杂的大型分子模拟和大规模基因组数据分析）。 量子计算在医疗保健领域最具前景的应用之一是量子化学，能为药物研发和材料科学提供关键支撑。传统的量子化学方法依赖于近似技术模拟分子结构和反应过程，尽管在处理简单系统时表现尚可，但在面对高度纠缠的分子或涉及大量电子的复杂系统时会遇到计算瓶颈，导致效率低下。量子计算可通过精确和高效模拟分子系统克服相关限制，早期的量子—经典混合方法已在蛋白质—配体结合亲和力预测等任务中展现出巨大潜力，使分子优化和反应建模更加高效。同时，经典方法在模拟复杂生物系统以及预测药物反应方面面临诸多挑战，量子系统可实现虚拟筛选的大规模自动化并为药物设计和递送优化提供高保真模拟。此外，随着基因组学和蛋白质组学数据集规模的不断扩大，传统模型往往难以从中提取出有价值的发现，量子算法或将有助于揭示高维生物医学数据中的复杂相关性，优化药物发现模拟过程，改进精准医疗策略。量子计算在医药领域的应用发展趋势详见图1。 图1 量子计算在医药领域的应用发展趋势 （二）主要技术挑战 NQCC指出，将量子计算充分应用至医药领域主要面临以下技术挑战：（1）可扩展性：当前量子系统缺乏在药物发现等实际应用中所需的量子比特数量和相干时间。（2）纠错：实现容错量子计算是一项重大挑战，这会限制能够可靠运行的算法的复杂性。（3）获取真实数据：访问真实世界的数据并在受控医疗数据环境中进行实际实验，对于理解真实世界的应用开发至关重要。（4）基准测试：确立明确的指标和基准，以展示量子技术在医疗领域的应用是必要条件。（5）算法开发：有必要开发专门针对医疗保健和制药应用的量子算法，并确保算法能够在当前和未来的硬件上高效运行。（6）整合：开发高效的量子—经典混合方法对于在现有工作流程中利用量子能力至关重要。（7）数据准备和供给：需要开发并标准化能将经典医疗数据编码为量子态的有效方法。 / 二 / 加速量子计算应用于医药领域的战略方向 NQCC在会议研讨、行业咨询的基础上，为政策制定者、资助机构和其他利益相关方提出了加速量子计算应用于医药领域的战略方向。 （一）制定战略路线图 在路线图创建方面，一是创建动态路线图，重点是在识别总体研究主题和建立时间表之间取得平衡；二是随着行业的不断发展，确保不断完善路线图，包括更详尽的应用场景、潜在影响和效益等方面；三是将应对重大挑战作为路线图的里程碑，集中力量有序推进相关研发。在基准测试和标准化方面，一是开发用于医疗保健和制药领域的量子应用基准测试；二是明确跨行业标准化基准测试的定义；三是创建用于医疗保健的量子算法标准测试协议。 （二）明确研发计划 在重点研究领域方面，一是识别并重点投资具有重大影响的应用，例如分子动力学、量子化学模拟和机器学习相关应用；二是明确识别经典计算方法的局限性，确定量子计算可以赋能的领域；三是开发医疗领域专用可扩展量子算法；四是进一步探索量子—经典混合方法，应对近期挑战。在基础设施建设方面，一是为研究人员和产业界合作伙伴提供量子计算测试平台和其他关键基础设施；二是预先开发量子就绪(quantum-ready）的数据基础设施，支持未来应用。 （三）构建开放创新生态系统 在跨部门合作方面，一是促进学术界、产业界和政府机构之间的合作；二是促进国际合作，发挥各国特定优势；三是组建行业竞争前联盟，解决领域内的共同挑战。在开放创新模式方面，一是支持以任务为导向的创新和类似于AlphaFold的开放创新模式；二是创建分享研究成功与失败的框架，加速知识转移；三是组织黑客松和挑战赛，解决医疗保健领域内特定量子计算难题。 （四）培养专业人才和具有量子素养的劳动力 在专业教育项目方面，一是建立专注于量子软件开发以及在化学、制药和材料科学领域应用量子计算的博士生培训中心；二是为监管者和医疗专业人员设立量子计算素养项目；三是设立量子应用工程师培训项目，培养能够弥合量子技术与商业需求之间鸿沟的专业人才。在劳动力转型方面，一是开发旨在提升医疗和制药行业工作人员量子技能的相关项目；二是构建框架支持对量子计算的合规应用，而不是取代人类工作，消除人们对工作被取代的担忧。 （五）加强监管和数据保护 在监管方面，一是与监管机构协作，评估并推动制定用于验证量子技术在医疗保健和制药领域的相关指南；二是调查制定量子伦理指南的需求，特别是在个性化医疗应用方面；三是利用监管沙盒机制，在受控环境中测试并完善量子医疗应用。在数据保护和标准方面，一是利用抗量子密码技术保障健康数据安全；二是开发量子合作研究中的数据共享协议；三是深入理解并推动医疗数据标准化，促进量子计算的应用。 （六）优化资金和资源分配 在长期资金策略方面，一是倡导持续、长期的资金支持，资助私营部门和学术界开展量子计算研究；二是简化资助流程，并建立明确的资金日程表和长周期的申请时间表，以便进行更全面的项目规划。在目标投资领域方面，一是在硬件开发、算法研究和最终用户应用开发之间平衡资金分配；二是重点支持已展示出商业价值并具有规模化潜力的概念验证项目；三是积极投资量子安全密码学相关研究和实践。 （七）支持行业应用和商业化 在行业应用方面，一是识别并重点投资有望推动量子计算在医疗保健领域实现“ChatGPT时刻”的应用场景；二是重点关注量子计算能够显著超越或增强现有计算能力的领域，并构建详尽的应用场景库，为产业界提供指导。在技术转移方面，一是建立机制，加速学术研究成果商业化；二是构建专注于医疗保健领域的量子计算初创企业生态系统；三是支持学术界与产业界之间建立知识转移合作伙伴关系。 / 三 / 英国的关键优先事项 英国政府在《国家量子战略》（2023年3月）中设定了雄心勃勃的目标，即到2030年在英国国家医疗服务体系中交付量子赋能的解决方案，并到2035年开发出超越传统超级计算机的国产量子系统。为此，NQCC指出英国需要战略协调、专注投资和全行业的共同参与，将技术潜力转化为实际影响。面向未来，NQCC针对英国提出五大关键优先事项： 一是重点支持关键技术和算法开发。对关键技术领域进行直接战略性投资，特别是开发适用于医疗应用的量子硬件堆栈、可扩展量子算法，并创建专用的量子测试平台。 二是提高量子素养。制定并实施全面的教育和培训计划，为医疗保健专业人员量身定制量子计算课程，并为现有劳动力提供持续的专业发展计划，提高医疗保健领域的量子素养，包括决策者、普通从业者和研究人员等。 三是加强合作伙伴关系。量子计算的有效部署将依赖于量子企业、制药企业、医疗保健机构、研究机构、数据提供商和政策制定者之间的合作。建立支持知识转移的伙伴关系、竞争前联盟、监管沙盒和专门的早期测试环境等，对于弥合尖端研究与可扩展、现实应用之间的差距至关重要。这些合作框架将有助于加速创新，降低风险，并确保量子解决方案与医疗保健部门的需求保持一致。 四是加速采用。识别那些处于传统计算极限的机会，并转而采用量子方法，将是解锁近期实际应用场景并在医疗保健领域展示量子优势的关键。虽然实现容错量子计算仍是一个长期目标，但最新证据表明，量子—经典混合方法已在某些领域展示出优势。建立以最终用户参与为重点的试点项目和早期采用计划，对于加速从理论到实际部署的转变至关重要。 五是确保公平获取。制定框架和具体举措，确保量子医疗保健能够在医疗系统和社区中广泛普及。从量子医疗保健创新的初期阶段起，就应积极吸引传统上服务不足和代表性不足的社区参与，确保新技术能够解决不平等问题。通过这种积极的包容性措施，确保量子技术赋能的医疗保健为所有人带来广泛且深远的影响。 二、生物制药中的量子计算:未来前景与战略洞察 （原创 L.E.K.艾意凯咨询） 心要点 1 制药行业中的量子计算（QC）正从学术研究迈向专业化的前实用阶段。未来五年内，一些制药企业的年度投资规模可能达到约2500万美元。 2 量子计算在制药公司的首批应用领域（PharmaCos）预计将集中在：药物研发（包括药物设计与合成）、临床开发与运营、供应链和生产制造；近期的最大突破预计将出现在整合QC、人工智能与传统计算的混合工作流程中。 3 量子计算的学习曲线陡峭且人才紧缺，企业需要构建多元化团队以保持竞争优势；PharmaCos和QC企业都必须投资于创新生态系统，以快速培养和吸引合格人才。 4 制药企业领导者需要自问五个关键问题，以确保组织已充分做好准备，能够捕捉量子计算带来的价值。  量子计算——能为生物制药带来什么 随着临床门槛日益提高、对复杂药物形式的需求增加、研发周期延长，新分子实体（New Molecular Entity, NME）的开发愈发困难。从药物发现到上市，每个NME的总研发投入约为15亿至35亿美元；自2010年以来，前15大制药公司的年研发支出增长了约1.5倍，预计到2030年将达到180亿美元。更为严峻的是，《通胀削减法案》（Inflation Reduction Act）带来的产品生命周期压缩，以及2030年前共计超过2000亿美元营收的产品面临专利保护到期风险，也迫使生物制药企业加速创新。 那么，人工智能（Artificial Intelligence, AI）或量子计算（Quantum Computing, QC）的技术进展，能否帮助应对生物制药在效率与成本上的双重压力？过去五年，AI迅猛发展，量子计算也紧随其后，相关学术文献数量迅速上升（见图1）。量子计算基于量子力学原理，相比传统计算方式的信息处理能力具有指数级的提升。AI与QC有望通过前所未有的计算能力和问题求解能力，推动生物制药行业的深层变革。 迄今为止，AI技术相对成熟、应用门槛较低且市场准备度较高，使其获得更大的投资规模。然而，这并不意味着QC处于劣势。实际上，QC与AI是互补的：QC能够加速AI系统的训练与推理，并可进行传统计算无法处理的数据操作，从而拓展新的计算边界。 全球范围内，QC领域的投资持续增长。截至2024年，该市场的累计投资规模已达到：美国约80亿美元，中国约150亿美元，英国、法国和德国合计约143亿美元，这些资金来自政府部门和私营机构的共同推动。尽管由于资金紧缩与利率上升，2023年私营机构对量子技术的投资（约13亿美元）低于2022年的23亿美元，但过去十年中量子知识产权（IP）的增长仍非常显著。 除投资与IP的增长外，量子计算机的算力（以量子比特 qubits 为基本单元）也出现了飞跃式扩展。IBM从2016年的5-qubit处理器发展到2022年的433-qubit，并计划在2025年实现超过1000个qubit。其他公司如Google、IonQ、QuEra也在计算能力上取得显著进展。 什么是量子计算？ 量子计算（Quantum Computing, QC）利用量子力学原理解决传统计算无法处理的复杂计算问题，是量子科学的重要分支。 量子计算与量子科学及量子力学的关系 量子计算运用量子力学的核心原理，以全新的方式处理信息，相比传统计算机在一些任务的处理速度上获得指数级的加速。 它是量子科学中的一个跨学科领域，而量子科学整体上涵盖了对物理、化学和工程中的量子现象的研究。 量子干涉 量子计算成功的一个基本原理是量子干涉，它源于量子粒子的波动特性。通过不同概率振幅相互叠加形成干涉图样，量子计算机能够以独特的方式处理信息。 量子干涉的核心价值包括： 计算并行性：支持对多个解的同时计算，使某些复杂问题变得可处理 精度增强：强化正确解、抑制错误，从而提高量子传感的准确性 相干调控：支持对量子态的精确操控，用于实现高级量子逻辑和电路 量子干涉支撑了量子在计算、通信和传感方面的优势，为信息处理提供了全新的洞察。 量子技术栈（Quantum Stack） 将量子干涉效应融入量子网络需要依托结构化的量子技术栈，并明确定义可扩展量子计算所需的硬件与软件层级体系。 量子网络（Quantum networking） 量子网络通过量子力学原理连接量子计算机，从而超越经典通信方式。相比于传输二进制数据，这类网络传输的是量子态，从而实现安全、高性能的分布式计算。 量子网络为生物制药行业带来的潜在益处包括： 临床试验数据/真实世界数据的安全传输 制药企业间的协同与互操作性 在药物发现和临床试验中的前沿应用 量子计算有潜力重塑生物制药价值链，突破传统计算在处理复杂数据集和模拟中的瓶颈（见图2）。其最具影响力的应用领域预计集中在药物发现和早期研究。由于分子本身遵循量子规律，行为涉及指数级庞大的状态空间，传统系统只能以高昂成本进行近似计算，而QC正可直接处理这些问题。量子增强的生成模型还可加速化学空间的探索，发现传统方法难以触及的新药物结构，从而缩短研发周期、降低成本、提升成功率。 在临床试验设计和运营中，量子计算可分析复杂的基因组、生物标志物、真实世界数据，优化患者分层和试验布局。量子机器学习能够识别个体化医疗的最佳患者亚群，减少试验失败，提升预测的准确性。量子优化也可改进临床试验中心的选择和自适应设计，提升效率，控制成本。 在研发之外，量子计算还能够推动价值链其他环节的效率提升，优化生产制造和供应链流程、改进商业职能中的预测分析能力，并提升运营效率，以实现更高的可持续性。 尽管仍在发展中，量子计算在解决生物制药中最具计算挑战的问题上，可能带来突破性的效率提升和变革性进展。 生物医药领域对量子计算的日益关注 正推动该技术进入“预实用化”阶段 L.E.K. 咨询公司对大约 300 名来自美国和欧洲的生物制药相关方的调研结果显示：超过 90% 的受访者知晓 QC 及其潜力，此外，约 50% 的受访者（来自于 110 家生物制药公司）显示出对于量子计算关键概念的理解，且曾接触或研究过量子计算的应用（见图3）。随着这些高价值的量子计算应用场景的出现，这一结果并不令人意外。 生物制药从业者认为，量子计算正在取得显著的早期进展，正从学术研究过渡到更专业的前实用阶段。在这一阶段，行业重点是开发可落地的算法和应用，为推动商业价值实现奠定基础。 约 44% 的受访者属于“早期大众”，他们倾向于在获得实际验证后才推动应用；而 30% 的受访者是创新者或早期采用者，已在积极推动创新。 行业对量子计算的投资也在增长，未来五年内，50% 的制药公司预计每年将投入 200 万至 1000 万美元，另有 20% 的公司计划年投入达到 1100 万至 2500 万美元。这反映出行业对量子计算价值的日益认可（见图4）。 制药公司正沿着价值链的各个环节尝试量子计算的应用，最先聚焦的是药物发现与临床试验。（见图5） 在可持续发展、商业运营、生产制造及产品开发等方面，量子计算也有望拓展能力。然而，具体的影响路径及各应用场景下最适合的量子计算模式仍在探索过程中。 近期关键进展推动生物制药企业 需对接量子处理单元与生态赋能者 随着行业热度与投资加码，量子计算生态系统迅速演化，技术进展显著。2024 年，大型科技企业在该领域取得以下里程碑式进展： IBM 推出 Quantum Heron，其最先进的量子计算机，配备 156 个逻辑qubit Google Quantum AI 推出新一代 Willow 芯片，在超导量子系统中实现指数级的误差缩小与性能提升 专注于量子计算的企业也正持续进步： IonQ 推出的 Tempo 量子计算机实现了 99.9% 的双量子比特门保真度，这一突破性进展巩固了该公司在离子阱技术领域的领先地位 Quantinuum 的 H2 系统达成 12 个逻辑qubit，相较于前一代模型达到了三倍提升 随着这些技术进展，两类主要的角色逐步浮现：一是量子处理单元的提供商，二是帮助企业接入量子计算的赋能方。这些角色为量子计算的发展注入动力与资金。正如企业与 AI 技术提供商的合作一样，生物制药公司也应该联动这些量子计算的合作方，充分施展技术潜能，在不断演化的领域中保持竞争力（见图6）。 战略合作对于在专业市场中竞争 来说至关重要 量子计算生态日益复杂，想要顺利集成技术流程，必须通过战略合作构建核心能力。当前典型合作包括： IBM Quantum 与 GSK、Moderna 和 AstraZeneca合作，利用 IBM 的 Quantum Heron 和 Condor 处理器优化信使RNA（messenger RNA, mRNA）研究及临床数据填补 Google Quantum 与Boehringer Ingelheim合作，探索分子模拟算法，借助 Google 的 Sycamore 处理器推动药物发现。 这些合作凸显了制药行业将量子计算融入制药流程的坚定决心，同时也表明，要攻克技术难题，实现实际应用，必须依靠全行业的协同努力（见图7）。未来，公司不仅需要建设内部人才能力，也应加快外部合作，以快速发展关键技术。率先行动的企业将在这一新兴赛道上赢得先发优势，建立行业领先地位。 近期影响：量子计算、人工智能 与传统计算的交汇 当前最具前景的突破是将量子计算、人工智能与传统计算融合形成混合工作流。这种组合可结合三者优势，实现更高精度的复杂系统模拟、更强大的机器学习模型、更大规模数据集的高效处理。超过 70% 的生物制药从业者预计，量子计算将增强传统计算与人工智能能力，特别是在药物发现与开发的突破性环节中，提供更精确高效的解决方案。 例如Qubit Pharmaceuticals 利用 QC 进行高级靶点表征和小分子药物发现中的分子动力学研究，同时使用 AI 驱动的生成建模、虚拟筛选和预测分析。此外，该公司还与 Pasqal 合作，结合传统计算与量子计算，对蛋白质、新分子实体（NME）和水分子进行高精度建模。 IonQ 与AstraZeneca 的合作包括在 AstraZeneca 的 BioVentureHub 内创建应用开发中心，推动量子计算在药物发现与开发中的应用。同时，IonQ 还与NVIDIA、AstraZeneca 和 AWS展开合作，利用计算工具推进药物开发，分子模拟效率相比 AWS 过往的方案提升 20 倍，为量子加速生物制药与材料科学的发展奠定基础。 进一步的进展包括在量子计算机上运行 AI，这些前景令人兴奋，但预计需要较长时间才能广泛实现。 生物制药领域的量子计算发展路径 量子计算融入制药行业具有巨大的潜力，有望彻底变革药物发现和临床试验。虽然量子计算仍属于 5 至 10 年周期的长期战略投资，且需要具备可扩展硬件、先进的误差纠正能力和专业算法的支持，但其带来的机遇是显著的。量子计算可提升预测分析能力、优化临床试验设计、加速新疗法发现，最终可实现药物开发周期的缩短，加速新药上市。 尽管行业当前仍面临人才稀缺、学习曲线陡峭等挑战，但通过战略性投资、生态合作与 AI 技术融合，生物制药行业有望释放量子计算的变革性潜能。持续的合作与技术创新至关重要。 为实现这一目标并保持竞争力，企业应重点思考以下关键问题： 我们是否具备清晰的量子计算应用路径，尤其是在研发等核心职能上？ 在研发环节中，哪些具体场景最适合优先作为量子计算的应用？基于什么标准进行场景的筛选与识别？ 如何平衡外部合作与内部能力建设，加速量子计算价值的实现？ 实施量子计算所需的关键内部运营要素是什么？尤其要考虑人才、硬件、数据基础设施及软件体系 在多大程度上将量子计算与AI结合使用？早期整合（例如混合工作流程）是否有益？还是应在整合前独立发展？企业应选择怎样的最佳技术路线？ 通过系统思考上述问题并进行前瞻性投资，生物制药行业将有机会抓住新一轮机遇，在药物发现、临床开发、供应链与制造等关键环节实现突破性进展。 三、制药业迎来""量子春天""!揭开亿万蓝海 （原创  光子盒研究院 光子盒） 在过去的五十多年里，制药行业见证了药物开发成本的指数级增长。这种增长从20世纪50年代的数千万美元增加到近年来的数十亿美元，即使在通货膨胀调整后也是如此。为了继续在满足未得到治疗的医疗需求方面取得进展，寻找改进药物开发方法的每一个可能性至关重讨了将量子计算机应用于药物设计的挑战与机遇。它强调了量子技术可能彻底改变工业研究的领域，并概述了实现这一目标所需的重大发展。 量子计算机在工业中的应用，主要依赖于它们在执行准确、高效的量子化学计算方面的预期能力。计算药物发现依赖于对潜在药物在含有数千个原子的有限温度下的细胞环境中如何与其靶标相互作用的精确预测。 利用量子力学的特性，量子计算机能够有效地模拟量子系统。这一潜力激发了近年来对量子计算研究的激增。量子物理、化学和信息理论的专家群体在量子硬件和算法方面取得了显著进展。最近的发展也吸引了学术界之外的关注，促使私营和公共部门对工业应用进行投资。 这些投资的主要动机之一是量子计算机有望增强量子化学计算的能力。目前，量子计算的大部分工作集中在开发量子算法上，以解决最具挑战性的电子结构问题，这些问题可能比传统计算机计算更有优势。然而，识别具有强电子相关性的系统颇具挑战性，目前只有有限的指标可供参考。 虽然解决电子结构问题对于许多化学应用至关重要，但如果量子计算机的优势仅限于强关联（关联strongly correlated systems）系统，那么它们在药物设计中的实际应用可能会受到限制。 从这个视角出发，论文探讨了量子计算机在药物发现领域当前的应用情况，并认为量子化学计算将是首个在药物设计领域产生影响的切实可行的应用。 量子计算机在硬件和算法方面还有待实现重大突破。过去十年中，量子计算领域发展迅猛，但要实现真正的量子优势，就需要在硬件和算法上取得重大进步。 量子算法发展的关键指标是对其计算成本的评估。这些估算定义了解决感兴趣问题所需的量子计算资源（量子比特和运行时间），为量子硬件制定了具体的工程目标，并阐明了需要改进算法的哪些方面。 目前，仅存在噪声中等尺度量子（NISQ）计算硬件，以其噪声特性和有限的量子比特数而命名。大多数NISQ算法，如变分量子特征求解（VQE），严重依赖经典优化启发式，其实际运行时间难以预估。此外，最近的研究表明，在NISQ设备上，要实现特定的误差水平，所需的测量次数与电路的深度成指数关系增长。 容错量子计算（FTQC）通过量子纠错来指数级抑制错误，但代价是大量的量子比特和运行时间。例如，模拟一个具有挑战性的经典分子，如铁钼络合物（FeMoco），可能需要大约200个逻辑（纠错）量子比特，在200万个物理量子比特中实现，这远超当前量子硬件的能力范围。 量子计算机有望在寻找分子哈密顿量的基态能量（即解决电子结构问题）方面为所有可处理的经典方法都失败的强关联系统提供显著优势。为了识别这些系统，需要满足许多条件，验证这些条件可能既严格又耗时，且严重依赖化学专业知识。 在过去20年中，已开发出几种技术来研究各种从头计算方法在何时何地会失败，并为强关联性提供指标。量子相位估计（QPE）是一种高效的解决哈密顿算子特征态和特征值问题的算法，它是许多量子计算方法的核心。 下图1展示了如何在量子计算机上为化学系统执行这些计算的例子。 图1：利用量子相位估计（QPE）算法在量子计算机上计算电子结构的工作流程 药物工业生产的化合物是经过长期的发现和提炼过程的成果。下图2概括了这一系列步骤。 图2：药物发现过程的工作流程 药物发现的第一步是确定与疾病病理学相关的靶蛋白。对这些靶标进行药理调节被认为对治疗疾病有益，主要通过分子与靶标的结合来实现。从一个非常弱的结合剂开始，确定一个有效且安全的口服候选药物（最常见的给药方式）通常需要数年的时间来优化。 在药物发现的这一阶段，计算方法在指导正确的分子设计方面极为重要，最近在计算设计方面取得了一些显著的成功。 计算化学支持药物设计的两个主要领域已经被确定： 1）药物代谢动力学特性（pharmacokinetic property）的预测（即化合物如何被吸收、分布、代谢和排出），这通常通过机器学习模型来实现，这些模型基于制药公司项目遗产的大量实验数据进行训练； 2）计算化合物与靶标的结合强度或亲和力（affinity），这是候选药物最关键的性质之一。结合亲和力相当于药物与靶标间的结合自由能，这直接决定了药物的疗效。因此，它转化为预期的人体治疗剂量，这是药物设计过程中最重要的单一参数。在化合物优化过程中，结合强度的计算必须极其精确。 然而，基于经典力场的分子动力学模拟的最新方法并不总是可靠的。目标是达到高精度（实验误差在1.0千卡/摩尔以内），因为在生理温度下，即使是1.5千卡/摩尔的偏差也会导致剂量估计出错一个数量级。在原子尺度上，一个系统可以在经典计算机上处理，但需要考虑不同大小和不同近似级别的多种方法；Box II中汇报了一些常用的方法。与力场方法相比，密度泛函理论（DFT）或耦合簇（CC）方法是基于量子力学的，可以更准确地描述分子间相互作用，但计算成本显著更高。 这些计算的其他困难来自于化合物性质的热力学特性。一个分子可以通过多种不同的方式与蛋白质结合，必须考虑不同的可访问结构形态和结合路径。我们需要确定自由能最小的构型，即统计上最常观察到的构型。 图3中以图像形式描绘了分子与蛋白质结合的过程。由于存在许多不同的构型，因此必须进行多个单点能计算（single-point calculation）。在这方面，通过自然时间演化模拟药物-靶标复合物的集合特性，直接推导出热力学性质是关键步骤。 图3：特定配体（PDB 2RGU，一种用于治疗糖尿病的人类药物）与其靶蛋白的药物结合事件的示意图 量子计算在药物开发中有其他潜在用例，比如用于计算和优化药物合成条件的反应机制，以及用于核磁共振（NMR）、红外（IR）或振动圆二色性（VCD）光谱的分子结构识别。 然而，与药物设计阶段更好更快的计算（先导优化）的潜在影响相比，量子计算对这些药物设计用例的影响将是相当有限的。例如，药物合成成本通常不是非仿制药市场价格的主要驱动因素。这样做的原因是经济需要平衡大量失败的优化方案和临床试验。 此外，对于核磁共振波谱的预测，DFT等较低精度的方法已被证明在许多情况下取得了良好的结果。总之，药物设计中量子力学计算的大多数用例将受益于DFT和CC方法的加速，这些方法仍然太慢，无法在药物开发过程中得到更广泛的应用，但对于大多数系统来说，它们提供了足够好的精度。 目前，量子化学在药物设计中的局限性主要来自两个方面：一是缺乏准确性（对于一些复杂系统描述困难），二是生物分子集合的DFT计算所需的巨大计算成本。尽管有一些希望的想法已经开始出现，但量子计算机尚未立即提供解决方案。 目前，量子计算机有望加速与已知量子算法（例如量子相位估计，QPE）相关的系统的电子结构计算。例如，这可以用来更好地理解细胞色素P450的物理性质。然而，最大的影响将是超越强关联系统的单点能量计算。 在过去的30年里，无论在硬件还是算法方面，都取得了巨大的进步。尽管这些改进使我们今天拥有了令人印象深刻的量子计算能力，但要将量子计算应用于药物发现，仍需进行大量工作。 在算法方面，量子纠错是容错量子算法在空间和时间上的主要开销之一。纠错需要每个逻辑量子比特对应数千个物理量子比特，因此计算FEO基态能量需要数百万个量子比特。为了减少这些开销，需要开发更好的硬件，具有更低的错误率和更高的量子比特连接性，并进一步改进量子纠错。 另一个尚未解决的核心挑战是准备初始状态，因为QPE的运行时间直接取决于该状态。尽管运行时随着时间的推移得到了改进，但仍无法规避对初始状态和目标状态重叠的依赖。已经提出了几个启发式解决方案，但需要进一步的研究来充分了解这个问题的程度。 对于弱关联系统，一个潜在的解决方案依赖于将系统分解成更小的子系统，并在这些子系统上应用一系列QPE来保持整体重叠。 另一个重要的研究方向是降低总体计算成本，例如，通过寻找系统哈密顿的更紧凑的表示，这直接影响量子算法的运行时间。与此同时，与经典算法类似，应该有可能找到基于启发式的特定情况下的量子算法，其可扩展性比一般算法好得多。 在未来，人们可以探索在准确性和成本之间寻找平衡的新途径，例如，通过调整哈密顿模拟的数值精度或通过截断哈密顿模拟中的信息量。 在药物设计方面，尽管单点能计算可以深入了解系统的物理特性，但通常需要数十亿次单点能计算来确定热力学量。如此大量的计算，再加上其中一个量子计算的运行时间长达数天，使得在合理的时间内获得结果是不可能的，更不用说与高度优化的实验的运行时间竞争了。对热力学量进行更实际计算的潜在途径可能是在量子计算机上同时模拟一个波函数中的经典原子核和电子。人们可以设想直接在量子计算机上通过生成几何的热集合来计算热力学性质，例如自由能。此外，用量子力学方法处理原子核将有助于解释分子光谱。 从更投机的角度来看，量子机器学习算法应用于量子计算的结果，有可能预测药物代谢动力学特性。当大型量子计算机可用时，我们可能能够计算许多分子集合的波函数，并随后在这些波函数上运行量子机器学习算法。 目前的经典计算方法不能准确地描述量子系统在制药工业的相关时间，限制了量子化学在药物设计中的应用。只要计算成本低于实验成本，更精确的计算可以通过用计算机计算取代许多劳动密集型实验，从而为制药工业带来重大价值。 量子计算可以利用直接从波函数中获得特性的方法，使关键的、实验上无法获得的对化学系统的洞察成为可能。为了对制药行业产生深远的影响，量子计算机需要从更广泛的问题中受益，而不是经典计算机无法解决的少数问题。 在过去的几年里，电子结构问题的量子算法取得了重大进展，降低了计算成本，但在工业上的实际应用还需要进一步改进。此外，硬件、纠错码和算法（例如用于状态准备）的根本改进是必要的，以超越单点能计算。 我们相信，将学术界和工业界结合起来的开放研究将有助于使量子计算成为更快设计更好药物的重要工具。 参考链接： https://www.nature.com/articles/s41567-024-02411-5 四、当量子计算撞上药物研发:今天的量子技术，正在破解百年难题 （原创 吕超林 赋同量子科技） 你有没有想过，一颗药丸从实验室到药柜，要闯过多少关？ 它可能在生产时突然 “变脸”—— 明明是同一种分子，却长出完全不同的晶体结构，药效大打折扣；也可能在体内 “迷路”—— 本应精准攻击病毒，却被肝脏酶分解成无用的碎片；更可能因为 “姿势不对”—— 在靶点前摆不出正确的造型，白白浪费了研发者的心血。 这些困扰制药界百年的难题，如今正被一个听起来很 “玄” 的技术破解：量子计算。 最近，国际顶尖药企艾伯维AbbVie与塔塔咨询服务公司TCS的联合研究团队，在《ChemRxiv》预印本平台上传了一项成果：他们开发的Qubitized Downfolding（QD）算法，用今天的量子计算机就能解决传统方法搞不定的药物研发难题。这不是遥远的科幻，而是正在发生的现实。 一、药物研发的 “三大拦路虎”：传统方法为何频频失灵？ 药物研发是出了名的 “烧钱” 且 “低效”：平均耗时10年、耗资26亿美元，成功率却不足10%。其中，三个 “隐形杀手” 最让科学家头疼。 第一关：“百变星君” 多晶型 —— 同一药物，不同命运 你可能不知道，同一种药物分子，能像搭积木一样堆出完全不同的晶体结构，这就是 “多晶型”。就像同样的乐高零件，既能拼出汽车，也能拼出房子，不同的 “拼法” 会让药物的溶解度、稳定性天差地别。 最典型的例子是一种叫 “ROY” 的化合物 —— 它因能形成红（Red）、橙（Orange）、黄（Yellow）等多种颜色的晶体而得名，目前已发现 14 种多晶型。对制药公司来说，ROY 的多晶型是个噩梦：如果生产时不小心长出不稳定的晶型，药片可能在货架上就 “变质”，甚至产生毒性。 但传统的计算方法（如密度泛函理论 DFT）根本搞不定它。DFT 会错误地认为 ROY 的分子是 “平的”，导致预测的晶体稳定性与实验结果完全相反 —— 理论上稳定的晶型，实际中却容易分解；理论上不稳定的，反而能长期保存。 第二关：“代谢迷宫”—— 药物在体内的 “生死时速” 就算药物顺利生产，进入人体后还要过 “代谢关”。肝脏里的酶（如 CYP3A4）会像 “剪刀” 一样分解药物，有的分解快（代谢快），药效持续时间短；有的分解慢（代谢稳定），更适合成药。 但预测代谢途径难如登天。以治疗丙肝的药物帕立瑞韦（Paritaprevir）为例，它的类似物虽然结构只差一个原子，代谢速度却天差地别。传统方法要么算不准酶与药物的反应能量（DFT 对金属酶束手无策），要么需要超级计算机（耦合簇方法 CCSD (T) 成本太高），根本无法常规使用。 第三关：“姿势决定成败”—— 药物的 “最佳造型” 之谜 药物分子要发挥作用，必须在靶点蛋白上摆出特定的 “姿势”（构象）。比如丙肝药物，第一代帕立瑞韦只能对付两种基因型，而第二代格卡瑞韦（Glecaprevir）能搞定所有基因型 —— 关键就在于构象的灵活性。 但构象的能量差异极小，传统方法要么算不准（DFT 忽略电子关联），要么算得慢（分子模拟跟不上构象变化速度），导致研发者无法判断哪种 “姿势” 最有效。 面对这些难题，科学家们曾寄望于超级计算机或人工智能，但前者太慢，后者 “知其然不知其所以然”。直到量子计算的出现，局面才开始改变。 二、量子计算：给药物研发装上 “显微镜 + 加速器” 量子计算的厉害之处，在于它能直接模拟分子的量子行为 —— 毕竟，原子、电子的运动遵循量子力学规律，用经典计算机 “翻译” 量子规律，就像用算盘算火箭轨道，难免出错。 但量子计算也有自己的 “烦恼”：今天的量子计算机（NISQ 设备）还很 “脆弱”—— 量子比特（相当于量子世界的 “0 和 1”）容易 “失忆”（相干时间短），复杂的计算会因为错误积累而失败。因此，能在当前设备上运行的算法，才是 “真有用” 的算法。 研究团队开发的QD算法，就是这样一个 “接地气” 的突破。它的核心思路是 “化繁为简”：把复杂的分子能量计算（哈密顿量）拆解成张量因子（类似把复杂方程拆成简单乘法），再用量子电路直接计算，大幅减少所需的量子资源。 对比传统的量子算法（如量子相位估计 QPE），QD 的优势堪称 “降维打击”： 计算 ROY 的晶体结构时，QPE 需要3520个量子比特和 10¹³ 个逻辑门，而 QD 只需要34个量子比特和10⁸个逻辑门 —— 相当于用一部智能手机完成了超级计算机的任务。 计算药物代谢的过渡态时，QPE 需要10000个量子比特，QD 只需122个 —— 当前的量子设备就能轻松驾驭。 三、三大案例：量子计算如何破解百年难题？ 案例 1：看穿 ROY 的 “变色魔术”，精准预测晶体稳定性 ROY 的多晶型难题，本质是电子在分子中的 “分布” 算不准。传统 DFT 会高估分子中两个环的电子共轭作用，误以为它们是 “平的”，而实际中分子是 “弯曲” 的，这种微小的结构差异导致稳定性预测错误。 QD 算法通过精准计算电子关联能，修正了这种偏差。实验显示： 用DFT计算时，ROY 的两种晶型（ORP 和 Y）的能量差预测错误达 6 kJ/mol（相当于让一个人多背 6 公斤重物跑马拉松，结果完全不同）；而 QD 计算的结果与实验测量的焓变完全一致 ——ORP 晶型其实比 Y 晶型更不稳定，这与传统结论恰恰相反。 对 ROY 的 4'- 氟类似物（4PF），QD 还成功预测了它的晶体结构。虽然 4PF 的单晶难以培养，但 QD 计算出它的最稳定晶型是红色针状，与实验观察到的 “红色针状晶体” 完全吻合，甚至连红外光谱和能带隙（决定颜色的关键）都算得分毫不差（ROY-Y为 2.81eV，呈黄色；4PF-R为 2.16eV，呈红色）。 这意味着，未来制药公司可以用 QD 在计算机上 “虚拟结晶”，提前筛选出最稳定的晶型，避免生产中的 “意外”。 案例 2：预判药物的 “代谢命运”，筛选最优候选分子 帕立瑞韦（Compound 1）和它的类似物（Compound 2），结构只差一个原子，代谢稳定性却差很多 ——Compound 1 在人体中的代谢更稳定，因此被选为候选药物。但为什么？ 传统方法无法回答这个问题，因为代谢的关键是酶（CYP3A4）与药物反应的 “过渡态能垒”—— 能量越高，反应越慢，代谢越稳定。这个能垒涉及铁原子（酶的活性中心）与药物的电子作用，DFT 算不准，CCSD (T) 算不起。 QD 算法却能轻松搞定。它计算发现：Compound 1 与酶反应的过渡态能垒为 16.58 kcal/mol，而 Compound 2 仅为 7.53 kcal/mol—— 前者的 “反应小山” 更高，代谢更慢，这与实验中Compound 1 的代谢稳定性完全一致。 更重要的是，QD的计算只需要121个量子比特，而传统量子算法需要 10200个 —— 这意味着今天的量子设备就能提前预判药物的代谢命运，帮研发者在早期就淘汰 “短命” 分子，减少临床试验的失败率。 案例 3：揭秘药物的 “最佳姿势”，提升跨基因型疗效 为什么第一代丙肝药物帕立瑞韦只能对付两种基因型，而第二代格卡瑞韦能覆盖所有基因型？答案藏在它们的 “构象能量” 里。 药物要发挥作用，必须从溶液中的 “自由姿势” 转变为与靶点结合的 “结合姿势”。这个过程的能量差越小，药物越容易 “摆对姿势”，药效越强。 QD 计算发现： 帕立瑞韦的结合姿势能量比自由姿势高 51.67 kcal/mol（相当于要爬 51 级台阶），而格卡瑞韦仅高 33.70 kcal/mol（33 级台阶）。 关键在于格卡瑞韦的分子更 “rigid”（刚性），电子关联能为负（-12.47 kcal/mol），相当于 “自带滑梯”，更容易滑到结合姿势。 这解释了为什么格卡瑞韦的跨基因型疗效更好 —— 它不需要消耗太多能量就能与不同基因型的靶点结合。而传统 DFT 完全忽略了这种电子关联能，导致无法区分两者的差异。 四、未来已来：量子计算将重塑药物研发的每一步 这项研究最振奋人心的，不是 “未来可能怎样”，而是 “现在就能做到”。 对比 QD 与传统量子算法（QPE）的资源需求，你会发现量子计算的实用化已经到来： 计算任务 QPE 所需量子比特 QD 所需量子比特 减少比例 ROY 分子稳定性 3520 34 99% 药物代谢过渡态 10200 121 99% 丙肝药物构象分析 6124 101 98% 今天的量子设备（如 IBM Osprey 有 433 个量子比特，谷歌 Sycamore 有 53 个）已经能满足 QD 的需求。这意味着，制药公司现在就可以用量子计算解决实际问题： 加速早期筛选：在合成化合物前，先用 QD 预测其晶型稳定性、代谢途径和构象能量，淘汰 “不良候选”，将研发周期从 10 年缩短到 5 年。 降低成本：减少不必要的实验（如反复合成不稳定晶型），每款新药的研发成本可能从 26 亿美元降到 10 亿美元以下。 突破传统限制：像 ROY 这样的复杂分子、含金属酶的代谢反应，这些过去 “算不了” 的问题，现在能常规计算了。 或许在不久的将来，当你拿到一颗感冒药时，它的晶体结构、代谢路径、作用姿势，都早已被量子计算机 “优化” 过 —— 更安全、更有效、更便宜。而这一切，都始于今天这场 “量子与药物” 的跨界革命。 论文链接： https://doi.org/10.26434/chemrxiv-2025-r9kv4 end 本公众号声明： 1、如您转载本公众号原创内容必须注明出处。 2、本公众号转载的内容是出于传递更多信息之目的，若有来源标注错误或侵犯了您的合法权益，请作者或发布单位与我们联系，我们将及时进行修改或删除处理。 3、本公众号文中部分图片来源于网络，版权归原作者所有，如果侵犯到您的权益，请联系我们删除。 4、本公众号发布的所有内容，并不意味着本公众号赞同其观点或证实其描述。其原创性以及文中陈述文字和内容未经本公众号证实，对本文全部或者部分内容的真实性、完整性、及时性我们不作任何保证或承诺，请浏览者仅作参考，并请自行核实。