Drug Discov Today｜量子计算在药物发现中的潜力：早期的行业动态

2021年1月，制药巨头勃林格殷格翰与谷歌在量子计算方面的合作曾引起轰动。双方达成合作协议，将共同专注于研究与实现药物研发领域量子计算的前沿应用案例，特别是在分子动力学模拟领域。

2021年6月，来自德国维藤/黑尔德克大学的Leonard Fehring等人在Drug Discovery Today发表文章，对全球范围内，量子计算在药物发现和开发领域中的活动进行了整理和分析。

主要信息和观点包括：

• 整个制药生态系统中量子计算已有发展势头。

• 在调研范围内的21家大型制药公司中，17家有公开的量子计算活动。

• 在大约260家量子计算初创公司中，有38家正在试图解决制药问题。

• 活跃在量子计算领域的制药公司分散在全球各地，没有某个地理上的热点区域。

• 北美的初创企业获得的资金最多，其次是欧洲和亚洲，总金额为3.11亿欧元。该领域大约一半的资金是在2020年筹集的。

• 在药物发现领域的学术论文中，对量子计算的提及和引用逐年增加，但还没有观察到不寻常的增长速度。

• 该领域大多数量子计算的工作都与先导化合物优化和化合物筛选有关。

• 在进行相对简单的计算时，量子计算还无法提供比经典系统更多的优势。

• 在药物发现和开发中已有的量子计算的应用的不成熟性，主要是由于硬件限制，这可能会在未来几年内得到解决。

以下是全文内容。

摘要

量子计算（Quantum computing, QC）有望通过执行超级计算机无法胜任的经典任务而彻底改变药物研究。然而，实际有用的量子计算还没有成为现实，尚不清楚QC何时以及是否能够完全解决药物发现领域的实际问题。

我们调研了制药公司、初创公司和学术界在药物发现和开发领域的QC相关活动，结果表明QC已经在所有这些利益相关者群体中形成了牵引力。他们关注与先导化合物优化和化合物筛选有关的QC应用的开发。而且，在充满活力的QC生态系统中存在合作的需求。

前言

制药行业依靠外部创新来提高药物研究和开发的生产力，如使用经典计算机辅助药物设计。但人工智能（AI）方面的突破，如Deepmind著名的蛋白质折叠算法，仍然依赖于在经典计算机上运行的统计模型，这在模拟蛋白质结构等量子力学系统时受到限制。生产力飞跃的希望在于量子计算机的发展。

量子计算机是一种本质上不同于经典二进制计算系统的计算技术，它利用量子比特（qubits）作为其基本计算单位。与经典比特不是1就是0相比，这些量子比特可以同时拥有多种状态，从理论来说，使得某些操作的计算能力成倍提高（见Box 1）。这些能力允许研究人员在蛋白质折叠和结合亲和力等领域处理高级模拟、优化机器学习（ML）算法。

IBM的量子计算机

这些都是最强大的经典超级计算机无法完成的任务。因为随着更多的原子被添加到分子中，复杂性会呈指数级增长，很快就会达到比宇宙中原子数量更多的潜在组合。我们还没有实现实际有用的QC，因为这种技术具有很高的错误敏感性，相干时间非常短（量子位保持叠加状态的时间称为它们的相干时间，相干时间越长，量子位计算复杂问题的能力就越强），而且在制造上普遍很复杂（见Box 1）。

目前仍不清楚QC系统是否以及何时能够解决药物发现中的实际问题。所有类型的量子系统，包括超导量子比特、陷俘离子量子比特和光子量子比特，都处于发展的早期阶段。此外，目前还不知道是否可以利用量子力学的概念来建立一个可靠的QC，以及各种系统中哪一个会占优势。

Box 1 量子计算简述
经典比特可以是0或1，而量子比特（Qubits）则得益于叠加和纠缠的量子力学特性。叠加的量子力学原理描述了一个量子比特如何同时处于多种状态，即0或1或介于两者之间的任何状态，这使得它具有比经典比特存储更多信息的能力。纠缠描述了一个量子比特拥有的相关的能力，即纠缠的状态。这一特性允许量子比特显示出依赖和协调的行为（即使量子比特被距离分开），并带来通过增加量子比特的数量而使信息处理能力成倍增长的能力。这些特性，叠加和纠缠，也是传统的计算操作（用逻辑门表示，如"和 "和 "或"）不能应用于QC系统的原因，也是需要开发新方法的原因，即通用的量子算符。然而，这些量子算符的功能取决于量子处理器的基础技术。量子处理器可以基于几种现有的技术，超导、陷俘离子或光子量子比特是迄今为止最常见的，而基于硅、拓扑或中性原子量子比特的系统则不太先进。尽管量子力学特性是量子计算机理论上成倍提高经典系统计算能力的原因，但也是现有技术还没有实现有用的QC的原因。例如，量子比特需要完美的隔离（与外界完美的温度、辐射和冲击隔离），以保持一致性。由于这一条件难以实现，量子比特会随着时间的推移丢失信息，算法也会被破坏。此外，与比特相比，量子比特会受到噪声的干扰，这意味着小的错误加起来会影响计算的质量（这种影响只有在量子比特的数量增加时才会增加）。经典比特使用其状态的副本来纠正错误，但量子力学定律阻止任何数据的复制，因此需要纠错代码。然而，这些代码需要如此多的计算能力，有估计认为（基于基础技术），一个QC高达99%的计算能力需要用于纠正其错误。因此，纠错是可扩展的通用和实用的QC系统的主要限制之一。  无法复制数据也是QC系统不可能进行经典意义上的数据存储的原因之一。每次请求一个特定的结果时，QC都必须进行复杂的计算，因此现有的数据会被覆盖，因为量子比特的高度不稳定状态导致数据快速丢失。这种现象也被称为退相干（开放量子系统的量子相干性，会因为与外在环境发生量子纠缠而随着时间逐渐丧失，这种效应称为量子退相干），是短期内发展实用QC的另一个主要制约因素。科学家们在开发QC系统方面已经取得了巨大的进展，既增加了任何单一系统中的量子比特的数量，又提高了它们的噪声容限、纠错和相干时间。然而，我们离完全耐受噪音的量子计算机还有好几年的时间。预计，噪声中等规模的量子计算机（noisy intermediate-scale quantum, NISQ）将产生第一个有用的应用，它们是可能实现全面量子计算机之前的中间步骤。

与此同时，谷歌和IBM等技术公司已经开创了通用的QC硬件，但在药物发现过程中没有具体的应用。2019年，谷歌声称其包含53个可编程超导量子比特的 "Sycamore "系统是第一个实现量子霸权（quantum supremacy）的QC，即证明了经典计算系统无法复制的计算能力。这种量子霸权的说法很快受到了IBM的挑战，这家公司也在QC方面进行了大量投资，目前有28个超导量子比特的系统部署。然而，在2020年底，一个中国研究团队提出了一个新的尚未被挑战的主张，该团队使用了一个不可编程的光子量子系统。从以应用为中心的角度来看，这些突破可以被抛弃，因为量子霸权的证明不是在现实世界的问题上作出的，而是在一个理论问题上。然而，这些进展说明了QC发展的速度之快。尽管QC硬件还没有取得突破，但现有的量子算法已经在数学层面证实了它们在生物学上的潜力：特征值计算和线性系统可以被更快地处理，药物-受体相互作用和蛋白质折叠的预测可能比任何经典系统更准确。 

第一批能够产生经济收益的商业应用使用非噪声容限（如NISQ）的系统，预计将在未来几年内实现。第一批受益者可能是金融和化学工业。但从长远来看，分析家们预测，制药业将是新技术的最大受益者。

本文的工作强调了制药生态系统内QC相关的活动，调研QC研究是否、在什么环节以及如何被制药公司等采用，并对这些活动的成熟度进行了估计。我们采用了定量和定性相结合的研究方法，既关注制药公司的活动，也关注外部创新和合作的利益相关群体，如初创企业和学术界。

整个制药生态系统中QC已有发展势头

方法

在本研究中，我们将制药公司、细分领域的初创公司和学术机构定义为制药生态系统的核心利益相关者。

为了评估制药公司的QC活动，我们选择了2019年收入超过100亿欧元的全球研发型制药公司来研究。为了调查一段时间内的趋势，我们使用了学术界和初创企业的汇总数据，并通过案例和资金的信息，丰富了这些数据。

为了描述创业公司的活动，我们进行了广泛的在线研究，调研了初创企业的数据库（Crunchbase、Pitchbook、The Quantum Daily、Quantum Computing Report、Quantum Computer List和BiopharmaTrend）和行业会议（Q2B、Inside Quantum Technology、Quantum: Tech and The Quantum Computing Summit），并调研了关于创业公司融资的信息。为了调查学术活动，我们对过去10年中发表的、可通过PubMed获得的同行评议文章进行了结构化的文献回顾。

结果

最大的21家制药公司中，有17家存在公开的QC活动。在大约260家QC初创公司中，有38家正在试图解决制药问题。此外，在2009年以来发表的至少包括一个QC关键词的约3250篇论文中，有42篇经同行评审的论文涉及QC与药物发现和开发。

图1 QC利益相关者群体的地理分布和发展

该图是对制药公司、初创企业和学术界的QC活动的描述，显示了这些不同的群体在QC中活跃的数量，以及初创企业的资金数额、学术界的论文被引用的数量。

(A) QC活动的地理分布

对于制药公司来说，QC活动是通过公司相关信息（投资者信息、网站、会议参与、研究联盟成员、QC初创企业合作以及招聘信息）和第三方信息（如媒体或分析家）来确定的。表明初创企业在制药领域的QC活动的描述，或者第三方（如媒体或分析师）提及的QC领域的活动也被认为是相关的。此外，研究也根据初创企业总部的位置，用地理信息丰富了数据。为了评估学术界的参与情况，我们使用了8个QC关键词，并选择了22个与药物发现和开发有关的MeSH术语进行PubMed搜索。包含这些QC关键词和MeSH术语的搜索结果被评估为是研究相关的。为了说明MeSH术语的延迟分配，我们对含有QC关键词的2019/20的检索结果进行了人工搜索，以寻找相关内容。所有被选中的论文都根据作者的单位丰富了地理信息。

图1 QC利益相关者群体的地理分布和发展

(B) 随着时间推移的QC活动

对初创企业的评估是通过其收到的风险资金来衡量的，数据从风险资本数据库（Crunchbase.com, Pitchbook.com）中提取，并通过人工在线研究加以丰富。公布时间延迟（创业公司融资的公布时间，发表论文的时间）可能是2020年数据下降的原因。对于学术界来说，对文章的兴趣是用引用次数来衡量的，从Scopus.com上提取。

图1A显示了97家机构（来自三个群体：制药公司、初创企业和学术机构）中的地理分布，其中欧洲（36）、北美（35）和亚洲（23）的活动最多。各地区的活动重点各不相同：在欧洲和北美，制药公司和初创企业的活动占总活动的75%左右；在亚洲，学术论文占所有活动的80%左右。然而，我们对亚洲在QC中的低水平活动提出质疑，因为大多数从事QC的中国公司和机构都是国有的，并且不公开他们的活动。之前有报道称获取这类数据困难（特别是对中国而言），这在我们的数据收集中也得到了证实。

在调研选择的样本中，绝大多数的大型制药公司要么公开描述了他们直接的QC活动，要么说明了他们对QC的兴趣。最大的21家公司中只有4家（强生、中国医药集团、吉利德和安斯泰来）没有披露对QC的任何兴趣或活动。活跃在QC领域的制药公司分散在全球各地，没有某个地理上的热点区域。大多数表明对QC感兴趣的活动（如雇用相关人才），都是在过去两年中披露的，但第一个值得注意的事件可以追溯到2017年，当时，Biogen报告了其在该领域的活动。

北美的初创企业获得的资金最多（1.71亿欧元），其次是欧洲（1.02亿欧元）和亚洲（3700万欧元），总金额为3.11亿欧元。该领域大约一半的资金是在2020年筹集的。有6家初创公司获得了1000万欧元以上的资金，最多的是Cambridge Quantum Computing（英国，8600万欧元）、Zapata Computing（美国，8100万欧元）和1Qbit（加拿大，3100万欧元）。排名前五位的初创公司（上述公司加上Quantum Biosystems和SeeQC）获得的资金占资金总数的80%以上；有28家公司至今没有收到任何公开宣布的资金。

启示

我们的样本中大多数制药公司都表示对QC领域有兴趣或已显示出活动，这说明该行业的最大参与群体似乎对这项技术很重视。特别是自2019年以来，公开的信息（如新闻稿、招聘信息、参加行业会议和与投资者的沟通）激增。因此，我们认为整个2020年里对该技术的兴趣会持续并可能上升。

尽管数据显示，活跃在制药领域的QC初创企业共获得了3.11亿欧元的资金，但一些获得资金最多的企业并不只活跃在这个行业。尽管Cambridge Quantum Computing公司提供了一个名为EUMA的分子模拟的企业应用，但该公司的主要产品是与行业无关的量子开发平台t|ketiTM。第二、第三和第五大获投资公司（分别为Zapata Computing、1Qbit和SeeQC）的情况也是如此，如其网站所述，这三家公司都向制药公司以及金融机构、移动性供应商和其他机构提供产品。

在获得最大资金的五家公司中，只有第四大获投公司Quantum Biosystems（3000万欧元的资金）将其量子排序系统完全集中在制药应用上。图1B中的汇总数据可能表明，投资者对QC初创企业的资助越来越多，对于一些初创企业，特别是那些客户范围广、专注于硬件开发的企业来说，情况确实如此。然而，如果认为这证明了投资者对药物发现中近期商业上可行的应用的期望，那就错了。事实上，大多数专门从事制药行业应用的QC初创公司都没有获得任何资金（公开信息显示），这可能表明它们还没有能够向潜在的投资者展示其商业可行性，或者投资者可能对开发阶段的投资感到犹豫。

关于对QC的实际兴趣，学术活动也有类似的观点：在药物发现领域的同行评议论文中，对QC的提及和引用逐年增加，但还没有观察到能表明兴趣上升的不寻常的增长速度。在2018年至2020年期间，我们平均每年发现8篇相关论文，而在2014年至2017年的三年期间只有3篇。这些数字表明，我们正在看到预期的论文激增的相对早期阶段。

大多数QC应用：先导化合物优化和化合物筛选

方法

为了对利益相关者群体进行更详细的评估，我们将每个群体（制药公司、QC初创公司和学术机构）的QC活动分配到药物发现和开发过程中的各个阶段。在这样做的过程中，我们对应用的成熟度进行了评估。

应用成熟度的评估等级包括：等级1（一般性地提到了QC，但没有进一步的细节）；等级2（QC基础研究可识别，但直接应用不明确）；等级3（QC相关的直接应用正在开发中，但没有对药物发现或开发做出重大贡献）；等级4（QC的应用是直接可见的，并且提高了特定过程的速度/质量，即'量子优势'）；等级5（QC对药物发现/开发做出了重大贡献，这在其他技术中无法复制，即'量子霸权'）。  

结果

在所有三个利益相关者群体的QC活动中，最常被提及的是"先导化合物优化 "和"化合物筛选"，各利益相关者群体之间没有明显差异（图2）。

各个群体在不同阶段的的成熟度各不相同，但从整体来看，没有任何一个群体的QC应用的成熟度的等级高于等级3（即应用开发）。

在制药公司群体中，我们看到了明显的分界线：探索QC应用的参与者，采取小步骤探索QC技术但没有披露应用的参与者，以及那些只是一般性地提到他们对QC的兴趣而没有进行任何活动的参与者。拜耳公司在靶点识别或验证步骤中尝试使用QC，他们已经探索了使用QC将病人模型虚拟化和模拟癌细胞增殖的方法。

图2 在药物发现和开发的不同阶段，不同群体的QC活动

该图描述了不同群体的实体机构在药物发现和开发链中的QC活动。每条线代表一个实体机构的信息（收入超过100亿欧元的研究型制药公司，或活跃在制药领域的QC初创公司，或学术机构涉及QC的论文）。圆圈表示该实体机构在药物发现和开发过程中的位置。 

我们用1到5的等级来评估各个利益相关者群体的QC应用的成熟度，用圆圈的颜色深浅来表示。

等级1（浅蓝色）是指 "从事QC活动，但没有细节"；

等级‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍2（蓝色）为 "QC基础研究可识别，但直接应用不明确"；

等级‍3（深蓝色）为 "QC相关的直接应用正在开发中，但没有对药物发现或开发做出重大贡献"；

等级‍4为"QC的应用是直接可见的，并且提高了特定过程的速度/质量，即“量子优势”；

等级‍5为“QC对药物发现/开发做出了重大贡献”；

没有实体机构被评为等级4或等级5。

在我们的数据集中，约有三分之一的初创企业被认定为是从事 "QC应用开发"。一个突出的例子是1Qubit，它与Biogen和一家咨询公司合作，在2017年探索了一个分子匹配应用，这增强了Biogen现有的基于量子能力的分子匹配方法。Cambridge Quantum Computing则与两家较小的生物制药公司合作，利用其在量子算法方面的经验，来推动癌症生物标志物的识别。其他实体机构，如ProteinQure、Qsimulate和Menten.ai，专注于量子分子模拟和药物设计的应用开发，在其网站的产品部分有描述。 

很少有学术论文被评价为高于等级2。不过也有例外，Banchi等人探讨了一个分子对接的应用。他们开发了一种利用程序化光子量子设备的方法，来预测分子对接的构型和配置，这种方法即使有光子损失，预测概率也很高。另外，Bag描述了一种用于IC50预测的类似量子的方法。

启示

对所有利益相关群体的成熟度评估表明，没有一个利益相关群体证明他们的技术比经典计算机有优势，这再次证实了该技术处于早期阶段。目前，在进行相对简单但相关的计算时（如小分子模拟），QC算法还无法提供比经典系统更多的优势，更不用考虑大分子的高度复杂模拟了。已确定的QC在药物发现和开发应用中的不成熟性，主要是由于硬件限制，这可能在未来几年内得到解决。每个利益相关群体的参与者都在为QC技术的应用开发做准备。

所有利益相关者群体对先导化合物优化的明确关注，可以解释为QC在模拟和优化问题上的技术优势，如药物与受体相互作用的预测、蛋白质折叠、构象采样以及寻找能量最小值和最大值。分子对接预测的准确性依赖于正确的量子力学计算。随着量子系统以及底层量子相位估计算法和所谓的量子求解器的可用性不断增加，分子对接预测预计将得到改善和拓展。此外，D-Wave系统上的ML算法在简化结合位点预测方面已经显示出初步的成功，其数据量相对较小。然而，噪声和短相干时间仍然是扩大应用的主要问题。由于模拟和优化已经在计算机辅助药物设计中展现出优势，因此，量子计算有望推动当前AI的发展，同时也能减少与物理实验室相关的成本和时间。

筛选引起了人们的高度兴趣，因为量子ML有能力提高虚拟筛选的性能。当与QC能力相结合时，ML不仅可以模拟分子亲和力，而且与经典计算机系统相比，可以以指数级的速度处理大量的数据。已经有一些算法被提出，使得数据库内的字符串匹配搜索大大加快。然而，由于这些方法一般需要存储大数据集，在目前的内存限制下不可能利用这些算法。

制药公司在QC领域相对广泛的活动表明，这些公司对QC非常重视，尽管该技术距离在药物发现中被证实有积极的商业价值还很远。制药公司在采用某些技术方面历来是规避风险的，但大型制药公司正表现出不同程度的兴趣，从纯粹的兴趣声明到建立合作关系，到雇用一系列专家，或授予研究基金。

例如，勃林格殷格翰(图2，Pharmaco #2)、安进(图2，Pharmaco #5)和罗氏(图2，Pharmaco #6)正在建立由药理学科学家、物理学家和计算科学家组成的QC团队，这在各种招聘启事、访谈、Linkedin和他们自己的公司网站上都可以看到；Biogen正在与一家QC创业公司合作，测试QC在分子匹配中的应用；而默克集团(图2，Pharmaco #3)正致力于建立广泛的伙伴关系，尤其在创业领域。

图2中的汇总数据可能意味着初创公司正在引领药物发现和开发中的QC应用开发：我们发现有12家公司展示了进展。然而，完全活跃在制药领域的QC初创公司的风险投资有限，这表明某些初创公司可能夸大了自己的进展。尽管如此，行业合作关系和某些参与者所公布的进展，还是表明了该领域的进展，但很明显，仅靠初创企业也能在药物发现和开发的QC应用方面取得突破。

与制药公司和初创企业相比，学术界侧重于通过将理论量子算法与生物分子应用相匹配来奠定基础，Cao等人、Outeiral等人、Emani等人和Hassanzadeh在他们的文章有所描述。

通过合作来探索制药公司在QC生态系统中的作用

方法

从制药公司的角度出发，我们确定了其在QC领域的合作者，包括特定行业的利益相关者群体，同时也考虑了面向QC应用的与行业无关的组织和机构，如研究联盟和硬件供应商。为了识别和描绘可能的公开关系，我们在网上搜索了各个参与者的公开声明，以及关于合作的新闻和分析报告。

结果

在之前确定的17家制药公司中，有16家与其他QC参与者有一些联系（见图3）。例外的是诺华公司（图2，Pharmaco #13），由于它公开表示对该技术感兴趣，所以被列入其中，但它没有公开的伙伴关系。我们确定了20个与制药公司有某种合作关系的个体(individual actors) ，以及另外20个初创企业和硬件供应商，他们可能会结合自己的活动领域，成为制药公司的合作伙伴（详见 "补充表格"）。

图3 以大型制药公司为中心的量子计算生态系统

该图描述了在药物发现和开发中的QC活动（与其他机构合作）的网络。标示的36条线，每一条都代表了有QC活动报告的制药公司（17家）、QC初创公司（38家）、研究联盟（3家）和硬件供应商（9家）之间的一条确定联系。

图中只显示了有联系的实体机构。联系被定义为任何类型的合作、伙伴关系、投资或任何其他类型的商业关系，涉及到任何时间的QC应用、研究或任何其他类型的活动。为了确定合作关系，我们在网上搜索了相关参与者的公开声明（包括新闻稿、投资者信息和公司代表的采访），以及关于合作的新闻和分析报告。行业会议上披露的信息也丰富了这些数据。

该图没有描述初创企业与研究联盟或硬件供应商之间的联系，也没有描述制药公司与学术机构之间的联系，但这些联系是存在的。

我们样本中的大多数制药公司都是研究联盟QuPharm的成员。QuPharm是由葛兰素史克(Pharmaco #11)、武田(Pharmaco #17)、辉瑞(Pharmaco #16)、默克(Merck & Co. , Pharmaco #8)和艾伯维(Pharmaco #4)等组成的一个竞争前的联盟，其成员已经共同开发了20多个QC在制药行业应用的案例。其他跨行业的QC研究联盟，如NEASQC (neasqc.eu)和 QED-C (quantumconsortium.org)，其成员中只包括我们样本中的一家制药公司。其他研究联盟，如Pistoia Alliance (pistoiaalliance.org)，尽管在该领域的活动已经被证明，但没有任何QC合作分配到制药公司 (由于他们的研究重点超出了QC的范围)。 

在我们的样本中，制药公司与38家初创企业中的12家达成了某种形式的合作。

除了Cambridge Quantum Computing和CreativeQuantum公司 (Startup #22)这两家创业公司之外，每家创业公司都有一个公开宣布的与大型行业企业的合作关系。德国默克集团是一家与创业公司合作特别活跃的制药公司。该集团的合作部分是通过他们的创业项目--默克创新中心加速器，通过该项目向SeeQC (Startup #8)投资了400万欧元；部分是通过直接合作，如与HQS Quantum Simulations (Startup #25）或Rahko (Startup #21)的合作。

美国默克公司也通过其默克全球健康创新基金对QC初创公司Zapata Computing (Startup #11)进行了财务投资。然而，大多数制药公司更倾向于非股权研究合作，如安进公司与QSimulate的合作，将该初创公司的高精度分子模拟解决方案整合到安进公司的药物发现过程中；阿斯利康 (Pharmaco #10)与ProteinQure合作，共同设计新型肽类治疗药物；罗氏公司与Cambridge Quantum Computing合作，研究寻找治疗阿尔茨海默病的新药物。

在被调研的制药公司中，有三家与成熟的QC硬件供应商有某种公开披露的关系。安进已经是Amazon的Braket和IBM的Q network的公开合作伙伴，而艾伯维则与Amazon的Braket和D-Wave合作，这是公司代表在2020年Q2B会议上披露的。一些QC初创公司与硬件供应商有积极的合作关系。 

启示

公开的信息表明，业界更倾向于与QC初创企业合作，而不是与硬件供应商合作开展自己的制药研究。由于物理硬件的可用性有限，而且发展迅速，导致其可能在一年内就会被淘汰，因此对于单个参与者来说，购买硬件不值得推荐。因此，基于云的系统，如IBM的Q network和Amazon的Braket可能仍将是标准的访问模式。由于任何QC的活动都需要使用这些系统，所以我们假设更多的制药企业，特别是那些拥有指定的QC研究团队的企业，如Biogen和罗氏，要么与硬件供应商有未公开的协议，要么通过他们的创业合作关系获得硬件。

硬件供应商也对药物发现和开发领域表现出兴趣，要么为其潜在的客户确定生命科学领域的应用，要么寻求合作以研究QC和药物发现的交叉点。例如，谷歌的Quantum AI和勃林格殷格翰在2021年的早期宣布了他们的合作。这两家公司将结合他们的科学能力，探索药物发现的分子动力学模拟应用。另一家硬件供应商，量子退火器制造商D-Wave和QC初创公司Menten.ai合作开发混合量子程序，以确定新的蛋白质设计的蛋白质结构。虽然这些联合工作已经公开，但可以预计，领先的硬件厂商正在评估他们的硬件在制药应用中的潜力。

在过去的两年里，我们看到制药公司对QC的兴趣只有轻微的上升。在2019年最大的21家制药公司中，当年的总收入约为8000亿欧元，我们发现只有50名被指定从事QC的员工（包括物理学家、计算机科学家和管理人员）。

对于这项技术，制药行业有望成为最大受益者。一个相对紧密的网络和生态系统已经发展起来，我们预计它将保持活力。但技术发展处于早期阶段、对该技术的殷切的希望、有限的人才库以及发展的速度表明，制药业的QC仍将是一个需要合作的领域，直到有了功能性的硬件并开发和测试了应用案例。

讨论和结论

尽管QC的应用仍然被一些人视为炒作话题或纯学术研究领域，但本研究显示，所有的相关参与者都在认真对待这项技术，并正在研究他们自己在生态系统中的作用。尽管在所有药物发现和开发活动中的成熟度都还没有超过 "应用开发 "阶段，但我们看到在先导化合物优化和化合物筛选的过程步骤中，QC的应用开发具有明显的“亲和力”。在这里，我们预计在未来几年内会出现第一个可供市场使用的应用结果。而任何一个利益相关群体利用QC进行成功的药物开发，很可能还需要很多年。

在理论上声称"量子霸权"没有实际价值。由于量子噪声和短相干时间，QC硬件仍然相对不成熟，是最大的瓶颈。尽管如此，2020年的最新突破引发了在某些点上产生有用应用的希望。

在这个硬件快速发展的阶段，制药企业仍有可能在发展上采取行动，而不至于被已经活跃在该领域的企业打败。加入竞争前的研究联合体或与初创公司合作是一个低风险和容易建立的选择，只涉及有限的财务义务。当然，在制药公司的研究机构内建立一个综合的QC小组可能会带来较高的成本，但也有可能带来较高的未来回报。

最有希望的路径，如在内部建立QC专业技术，建立和支持与初创企业的伙伴关系，或与竞争对手合作等，都有待界定，成功的衡量标准也有待探讨。因此，需要进一步研究，详细探讨生态系统中各个利益相关群体的需求、动机和要求。

参考资料

ZinnerM, Dahlhausen F, Boehme P, Ehlers J, Bieske L, Fehring L. Quantum computing'spotential for drug discovery: Early stage industry dynamics. Drug Discov Today.2021 Jun 11:S1359-6446(21)00275-0. doi: 10.1016/j.drudis.2021.06.003.

https://www.technologyreview.com/2018/02/21/145300/serious-quantum-computers-are-finally-here-what-are-we-going-to-do-with-them/

----------- End -----------

感兴趣的读者，可以添加小邦微信（zhiyaobang2020）加入读者实名讨论微信群。添加时请主动注明姓名-企业-职位/岗位 或姓名-学校-职务/研究方向。

历史文章推荐    


Drug Discov Today综述｜分子从头设计和生成模型
Nat Comput Sci综述｜生物分子建模在技术时代蓬勃发展
AI药物发现公司继续寻求最佳商业模式
利用人工智能和自动化改造药物发现
郭天南｜人工智能+蛋白质组学：药物研发的生物学底层变革
Nature：优于联邦学习的医疗数据共享技术Swarm Learning及应用案例
人工智能在药物研发中的应用
Nat Biomed Eng：利用深度学习从抗体序列中预测抗原特异性，优化抗体药物
进入临床试验的AI设计的药物 汇总V1.0
利用量子理论加速药物发现的18家初创企业