2025年8月，北京玻色量子科技有限公司（以下简称“玻色量子”）在中国信息通信研究院唯一主办期刊——《信息通信技术与政策》上成功发表自研的专用光量子计算技术路线——相干光量子计算机在解决生命科学基础研究和药物发现中不同复杂计算问题的最新综述和未来展望。该研究成果以《相干伊辛机在生命科学基础研究和药物发现中的应用》（Application of coherent Ising machine in basic research of life science and drug discovery）为题，标志着量子计算的实用化应用场景从生命科学和生物制药正式开启。
玻色量子此次在工业和信息化部主管、中国信息通信研究院唯一主办的精品学术期刊——《信息通信技术与政策》（1975年创刊）上，重磅刊发“量子计算+生物制药”突破性研究论文。这标志着玻色量子在该领域取得具有重大实用价值的量子计算研究成果，同时代表中国信息通信研究院对其科研实力、创新价值及研究突破的高度认证与鼎力支持，充分彰显了玻色量子在推动量子计算实用化进程中的领跑地位。
基于自研的相干光量子计算机，玻色量子在“量子计算+生物制药”生态合作上已取得一系列成果突破，并和上海交通大学、广州国家实验室、中山大学药学院、北京肿瘤医院、清华长庚医院等在蛋白质结构预测、分子相似性筛选、多肽对接、变构位点预测、生物适应度表征、组学数据处理等场景展开实用化量子计算应用探索。
2025年3月，玻色量子申报的“基于相干量子计算技术的智能药物设计方法发展与应用”，成功入围2024年北京市高精尖产业发展“创赢未来”项目，获得项目认定和资金奖励。该项目直击传统药物研发周期长、成本高的核心痛点，开创性地提出并推进 “量子计算-平台建立-疾病应用”的全新药物研发路径。这不仅与北京市在“量子计算+生物制药”领域逐步布局的全链条创新体系发展目标高度契合，还将产出巨大的科学价值和社会效益。
论文下载链接：http://ictp.caict.ac.cn/CN/10.12267/j.issn.2096-5931.2025.07.004
以下为论文的主要内容：
生命科学基础研究和药物发现中存在大量的复杂计算需求，时常面临高频的大规模组合优化问题求解和复杂分布采样，基于经典计算框架的方法在这些问题上难以权衡时间和准确率，计算结果往往“失之毫厘,差之千里”，较低的求解质量和采样偏移最终导致构象偏差和较高的筛选假阳性，造成了药物发现高昂的时间成本和花费，因此亟需一种兼具筛选效率和准确率的计算框架摆脱这一困境。
随着物理硬件的发展，多种新型的量子计算框架在不同复杂计算问题上得到了广泛验证，其中相干光量子计算机（Coherent Ising Machine，CIM）是目前发展较快的技术路线之一，其通过利用光学参量振荡脉冲作为量子比特，在运行中可以搜索出伊辛模型基态时的自旋构型，从而提升求解组合优化问题的计算速度和正确率。该技术路线在比特全连接特性、比特数规模、长时连续求解稳定性等方面较现有其他技术路线有较大优势。主要从相干光量子计算机的底层原理、技术优势、生命科学基础研究和药物发现中的主要应用以及相干光量子计算机目前实用化应用的挑战展开论述，并对未来发展进行展望。
生命科学基础研究的目标是解析复杂生命系统,弄清遗传发育规律,找到关键调控因子,从而为疾病治疗提供理论依据和靶点信息。随着生物技术的发展,如今能以前所未有的分辨率从不同组学维度捕捉相关生物学信息,但随之而来的是海量的高维生物数据,如何从这些数据中挖掘得到有价值的生物信息是目前生物学家们最关心的问题之一。与之呼应的是化学搜索空间的指数级增长,目前已达到10^60 量级,如何快速地从海量的搜索空间中筛选得到有活性的分子成为药物发现的另一大难题。目前基于相干光量子计算机的使用策略主要分为大规模组合优化问题求解和基于能量函数的玻尔兹曼采样(Boltzmann Sampling)。
在基于伊辛模型的最优化问题求解应用方面，计算机辅助药物设计（Computer-Aided Drug Discovery，CADD)的技术发展显著提高了药物发现效率,同时降低了成本。然而,在CADD中,存在大规模COP的高频计算需求，现有算法的求解能力严重限制了其速度和准确性。基于伊辛模型的建模策略可以映射到一般的二值组合优化问题,通过将复杂计算场景问题转化为伊辛模型,可借助相干光量子计算机的硬件优势实现问题求解的指数级加速。
在基于结构的虚拟筛选-分子对接领域，2023年,玻色量子与上海交通大学联合研究团队提出了网格点匹配( Grid Point Matching, GPM ) 和 原 子 特 征 匹 配 ( Feature Atom Matching,FAM）算法模型，通过将配体与靶蛋白的对接问题转换为配体原子和对接格点的匹配问题,并添加位置约束和配体空间形状约束，构建伊辛模型，进而通过相干光量子计算机求解得到配体对接构象。研究团队在CASF-2016标准测试集对基于相干光量子计算机的对接方法和商业化对接工具Glide SP进行了表现对比，通过实验结果对比显示，基于相干光量子计算机的求解速度比经典算法快至少3个数量级,该算法显著提升了对接效率,有望实现高精度的超高通量筛选。
GPM和FAM在CASF-2016数据集上的采样表现比较
在基于配体的虚拟筛选-GMS领域，现有方法主要利用分子指纹的表征方式进行相似性计算,但其只考虑二维的原子及官能团排布,忽略了分子中不同原子的空间位置关系,这些构效关系对于分子与蛋白的结合至关重要。哈佛大学Maritza Hernandez等提出基于图论方法解决分子相似性计算(Graph-based Molecular Similarity,GMS) 中的原子匹配问题。如下图所示,通过构建冲突图 ( Conflict Graph)并添加相关约束构建QUBO/ Ising模型,并使用 QA 在小规模数据上进行了验证。上述模型在相干光量子计算机上可同样求解,在相干光量子计算机大比特数以及全连接特性下, 能解决更复杂的分子匹配问题。
基于图的GMS算法示意图
相干光量子计算机作为含噪声中等规模量子(Noisy IntermediateScale Quantum，NISQ)时代最具应用前景的量子计算平台之一，在生命科学基础研究和药物发现领域展现出独特价值。其基于光量子的物理实现方式与生物分子体系的能量演化过程具有天然的契合性，为大规模COP求解和复杂分布采样提供了全新途径。
随着相干光量子计算机底层硬件规模的扩展、混合计算链路优化以及算法建模信息完全度的提升，相干光量子计算机有望在生命科学基础研究和药物发现领域取得更大突破，主要包括四个方面。一是大规模虚拟筛选和分子优化设计，覆盖更广阔的化学空间；二是小/大分子折叠预测，解决生物大分子的构象采样难题；三是多药物临床使用组合优化,设计多靶点、低副作用的创新药物组合；四是个性化医疗，根据患者遗传信息定制个性化治疗方案。
未来，大规模量子比特数的相干光量子计算机将成为生物复杂计算的重要算力支撑板块,更广泛普适的应用将加速生命科学重大发现，降低药物研发成本，为人类生命健康提供重要保障。
