基于量子启发式预处理的ADMET性质预测

对吸收、分布、代谢、排泄与毒性（ADMET）性质进行准确预测，是药物研发早期阶段中的核心挑战之一，因为通过实验手段进行测定仍然成本高昂且耗时较长。在本研究中，我们提出了一种受量子启发的预处理框架，其中，分子描述符之间的统计依赖关系被编码到一个参数化多体哈密顿量中，而通过模拟其时间演化所获得的期望值则作为附加输入提供给梯度提升集成模型（CatBoost）。互信息（MI）既用于选择信息量最大的描述符，也用于设定哈密顿量的耦合强度，从而使所诱导的纠缠结构能够反映经验测得的特征相关性；该演化通过一个简短的数字化反绝热调度来实现，在保持电路较浅的同时生成一组紧凑的期望值特征。随后，在训练之前，将所得的量子导出特征向量与完整的 MapLight 描述符集合、拼接后的 ECFP、Avalon 和 ErG 指纹，以及 RDKit 理化性质进行拼接。 我们在 Therapeutics Data Commons（TDC）平台的 AqSolDB 水溶解度基准数据集上评估了该流程，取得了 0.746 +/- 0.006 log(mol/L) 的平均绝对误差（MAE），该结果处于当前 TDC 排行榜上表现最佳模型所报告误差范围之内（MAE = 0.741 +/- 0.013）。消融实验表明，量子导出特征能够达到与基于相同 MI 选定子集构建的经典二次多项式交互特征相当的效果，同时形成了紧凑得多的表示（85 个量子特征，而多项式项最多可达 4,950 个，约减少 58 倍）。SHapley Additive exPlanations（SHAP）分析识别出了溶解度预测中的理化驱动因素，从而为模型行为提供了可解释性洞见。这些结果表明，MI 引导的哈密顿量特征提取能够在水溶解度任务上复现强经典交互模型的性能，同时生成一种紧凑、可解释且与未来量子执行兼容的特征表示。

在持有人为作者/资助方，其已授予 bioRxiv 永久展示该预印本的许可。

本文属于美国政府作品。根据美国法典第 17 编第 105 条，其不受版权保护，并同时依据 CC0 许可向公众提供使用。

返回顶部

上一篇

下一篇

发布于 2026 年 7 月 5 日。

下载 PDF

补充材料

电子邮件

感谢您有兴趣帮助传播 bioRxiv。

您的电子邮箱

*

您的姓名

*

发送至

*

输入多个地址时，请分别换行或使用逗号分隔。

您将通过电子邮件发送以下内容

采用量子启发式预处理的 ADMET 性质预测

邮件主题

（您的姓名）已从 bioRxiv 转发一个页面给您

邮件正文

（您的姓名）认为您可能希望查看 bioRxiv 网站上的此页面。

您的个性化留言

验证码

此问题用于测试您是否为人工访问者，并防止自动化垃圾信息提交。

分享

采用量子启发式预处理的 ADMET 性质预测

Basel

Mansour

Sr.

，

George

Rafaelyan

Jr.

bioRxiv

2026.06.30.735582；

doi：

https://doi.org/10.64898/2026.06.30.735582

分享本文：

复制

引文工具

采用量子启发式预处理的 ADMET 性质预测

Basel

Mansour

Sr.

，

George

Rafaelyan

Jr.

bioRxiv

2026.06.30.735582；

doi：

https://doi.org/10.64898/2026.06.30.735582

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.30.735582v1?rss=1

🏷️ ADMET预测 水溶解度 量子启发式预处理 分子描述符 机器学习 可解释性分析