Q2SAR: superando cuellos de botella clásicos en el descubrimiento de fármacos vía quantum multiple kernel learning

Resumen

El modelado de Relaciones Cuantitativas Estructura-Actividad (QSAR) es una metodología computacional fundamental en las fases tempranas del descubrimiento de fármacos, de la cual se depende enormemente para predecir la toxicidad, biodisponibilidad y potencial terapéutico de los compuestos. Sin embargo, los métodos clásicos a menudo tienen dificultades para mapear eficazmente las interacciones altamente complejas, no lineales y de alta dimensionalidad inherentes a los datos moleculares, lo que conduce a una precisión predictiva reducida y a costosos fracasos clínicos en etapas tardías. En este artículo, presentamos un marco de trabajo de Quantum Multiple Kernel Learning (QMKL) —denominado Q²SAR de Próxima Generación— que aprovecha las Máquinas de Vectores de Soporte Cuánticas (QSVMs) para superar estas limitaciones clásicas. Al codificar los descriptores moleculares en espacios de Hilbert cuánticos exponencialmente grandes, nuestro enfoque mejora sustancialmente la expresividad del modelado no lineal. Evaluando nuestro marco mejorado cuánticamente en un conjunto de datos dirigido a la quinasa DYRK1A (una diana terapéutica crítica para la enfermedad de Alzheimer), el QMKL-SVM logra una impresionante puntuación de Área Bajo la Curva (AUC) de 0.8750, superando significativamente a los modelos clásicos del estado del arte basados en Gradient Boosting (AUC = 0.8037). Además, establecemos una vía teórica y empírica para resolver los cuellos de botella de datos clásicos mediante kernels cuánticos proyectados (Projected Quantum Kernels, PQK) y aceleradores de medición. A medida que la arquitectura de computación cuántica madura, este marco de trabajo allana el camino para arquitecturas cognitivas autónomas y canales de descubrimiento de fármacos con mejora automática, prometiendo desbloquear conocimientos más profundos en vastos espacios químicos y acelerar el desarrollo de terapias que salvan vidas.