論文の概要: Q-Score: A Quantum-Native Scoring Function for Molecular Docking
- arxiv url: http://arxiv.org/abs/2607.09737v1
- Date: Thu, 02 Jul 2026 17:50:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-19 21:54:20.391589
- Title: Q-Score: A Quantum-Native Scoring Function for Molecular Docking
- Title（参考訳）: Q-Score:分子ドッキングのための量子負のスコーリング関数
- Abstract要約: 分子ドッキングは、小さな分子がタンパク質にどのように結合するかを予測する。
我々は、GNN予測軌道ドナー・アクセプターエネルギーを重み付きグラフとスコアリングに符号化するQ-Scoreを導入する。
1000個のAI生成分子において、Qスコアは、0.05のスピアマン・ローと古典的なスコアであり、0.90の軌道品質と分子重みのバイアスを伴わない。
- 参考スコア（独自算出の注目度）: 5.217574375162479
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Molecular docking predicts how a small molecule binds to a protein and is a key bottleneck in drug discovery. Classical scoring functions sum empirical pairwise contacts, blind to quantum-mechanical effects like orbital charge transfer that govern binding specificity. We introduce Q-Score, encoding GNN-predicted orbital donor-acceptor energies into a weighted graph and scoring binding by solving a maximum-weight vertex clique problem via Digitized-Counterdiabatic QAOA. Each interaction anchor maps to one qubit and compatibility constraints become edges. Across 11 protein targets, DC-QAOA recovers the exact optimum on 8 at 10 qubits. On 1000 AI-generated molecules, Q-Score is orthogonal to classical scoring with Spearman rho of 0.05, driven by orbital quality with rho of 0.90, and free of molecular-weight bias, enriching for strong orbital interactions at twice the random rate. DC-QAOA achieves a mean approximation ratio of 0.94 with 52 percent exact. Execution of 1000 circuits on IBM Eagle confirms 6-qubit solvability on NISQ hardware.
- Abstract（参考訳）: 分子ドッキングは、小さな分子がタンパク質にどのように結合するかを予測する。
古典的なスコアリング関数は、結合特異性を管理する軌道電荷移動のような量子力学的効果に盲目な、経験的な対の接触を和らげる。
本稿では,GNN予測軌道ドナーアクセプタエネルギーを重み付きグラフに符号化し,Digiized-Counterdiabatic QAOAを用いて最大重み付き頂点傾斜問題の解法によりスコアリングを行うQ-Scoreを提案する。
各相互作用アンカーは1つのキュービットにマップされ、互換性の制約はエッジとなる。
11個のタンパク質を標的とし、DC-QAOAは10量子ビットで8の正確な最適値を回復する。
1000個のAI生成分子では、Qスコアは古典的なスコアと直交し、スピアマン・ローは0.05で、軌道品質は0.90で、分子量バイアスは無く、強い軌道相互作用を2倍の確率速度で強化する。
DC-QAOAは平均近似比0.94と52%の精度を達成する。
IBM Eagle上の1000の回路の実行は、NISQハードウェア上の6ビットの可解性を確認する。
関連論文リスト
- QBioFusion-QSAR: Morgan-Anchored Quantum Multiple Kernel Learning for Small-Data Ligand Classification [0.788073088949581]
QBioFusion-QSARは量子多重カーネル学習(QMKL)を用いる
54 kgの PsychLight-A ベンチマークでは、Morgan/Tanimoto が最強のシングル表現であった。
一致正則化監査の結果,N-Me-5-HTとN-Me-トリプタミンは偽陰性から真正の予測に変化した。
論文 参考訳（メタデータ） (2026-06-19T08:30:51Z) - Quantum-Classical Auxiliary-Field Quantum Monte Carlo at the Edge of Practicability [0.0]
量子古典的補助場量子モンテカルロ(QC-AFQMC)のアルゴリズム改良を導入する。
これらの改善により、ステップごとの古典的なスケーリングが$tildemathcalO(N5.5)$から$tildemathcalO(N4.5)$に削減される。
我々はQC-AFQMCのフォールトトレラントな実装として量子ランタイムと古典ランタイムの両方を推定する。
論文 参考訳（メタデータ） (2026-06-17T16:19:25Z) - Additive binding energies in asphalt on a quantum processor via quantum-selected configuration interaction (QSCI) [0.0]
相関電子構造計算への実践的なルートとして量子中心型スーパーコンピュータが登場している。
本稿では,アスファルトバインダーの加法結合エネルギーを計算するためのハイブリッド量子古典ワークフローQuantumPaveを提案する。
工業的に関係のある材料問題に対する化学的に有意な結合エネルギーが、現在の量子ハードウェア上で達成可能であることを示す。
論文 参考訳（メタデータ） (2026-05-26T20:01:44Z) - MolPaQ: Modular Quantum-Classical Patch Learning for Interpretable Molecular Generation [0.9322836589877972]
MOLPAQは量子古典的生成装置で、量子生成潜伏パッチから分子を組み立てる。
遅延批評家によるアドリラル微調整は100%RDKitの妥当性、99.75%の新規性、0.905の多様性をもたらす。
論文 参考訳（メタデータ） (2026-03-27T17:14:06Z) - Coupled Cluster con MōLe: Molecular Orbital Learning for Neural Wavefunctions [34.53033480184221]
密度汎関数理論(DFT)は、分子特性を計算するために最も広く用いられる方法である。
結合クラスタ理論(CC理論)は、DFTを超える精度を達成するための最も成功した方法である。
本稿では,CCの中核となる数学的対象を直接予測する同変機械学習モデルであるMLeアーキテクチャを提案する。
論文 参考訳（メタデータ） (2026-02-23T18:54:46Z) - Quantum Computing Approach to Atomic and Molecular Three-Body Systems [0.0]
本稿では,三体原子と分子の高精度量子計算シミュレーションを提案する。
その結果、現在のノイズ中間量子(NISQ)デバイス上でのベンチマークと試験に優れた3体原子と分子が得られた。
論文 参考訳（メタデータ） (2025-10-20T18:39:32Z) - Trapped ion quantum hardware demonstration of energy calculations using a multireference unitary coupled cluster ansatz: application to the BeH2 insertion problem [0.0]
我々は、BeH2分子の基底状態エネルギーを報告するために、多参照ユニタリ結合クラスタアンサッツを用いた変分量子固有解法アルゴリズムを用いる。
我々は,古典計算機上でパラメータ最適化を行い,量子コンピュータ上で最適化されたパラメータを用いてエネルギーを測定する。
論文 参考訳（メタデータ） (2025-04-09T16:52:37Z) - Learning Equivariant Non-Local Electron Density Functionals [51.721844709174206]
等変グラフニューラルネットワーク(GNN)に基づく新しい非局所XC関数であるEquivariant Graph Exchange correlation (EG-XC)を導入する。
この点の雲に同変GNNを適用することにより、スケーラブルで正確な分子レンジ相互作用をキャプチャする。
EG-XCは、QM9上のデータ効率と分子サイズの外挿に優れ、5倍以上の分子で訓練された整合力場である。
論文 参考訳（メタデータ） (2024-10-10T14:31:45Z) - Quantum State Transfer in Interacting, Multiple-Excitation Systems [41.94295877935867]
量子状態伝達(QST)は、あるノードから別のノードへの量子情報のコヒーレントな通過を記述する。
高忠実度QSTを与えるハミルトニアンの発見を可能にするモンテカルロ法について述べる。
その結果生まれたJaynes-Cummings-Hubbardと周期的なAndersonモデルは、原則として、効率的なQSTを提供するための適切なハードウェアで設計することができる。
論文 参考訳（メタデータ） (2024-05-10T23:46:35Z) - QH9: A Quantum Hamiltonian Prediction Benchmark for QM9 Molecules [69.25826391912368]
QH9と呼ばれる新しい量子ハミルトンデータセットを生成し、999または2998の分子動力学軌道に対して正確なハミルトン行列を提供する。
現在の機械学習モデルでは、任意の分子に対するハミルトン行列を予測する能力がある。
論文 参考訳（メタデータ） (2023-06-15T23:39:07Z) - Modeling Non-Covalent Interatomic Interactions on a Photonic Quantum
Computer [50.24983453990065]
我々は、cQDOモデルがフォトニック量子コンピュータ上でのシミュレーションに自然に役立っていることを示す。
我々は、XanaduのStrawberry Fieldsフォトニクスライブラリを利用して、二原子系の結合エネルギー曲線を計算する。
興味深いことに、2つの結合したボソニックQDOは安定な結合を示す。
論文 参考訳（メタデータ） (2023-06-14T14:44:12Z) - Quantum Control of Atom-Ion Charge Exchange via Light-induced Conical
Intersections [66.33913750180542]
円錐交差は、2つ以上の断熱的電子ポテンシャルエネルギー表面の間の点または線である。
超低温原子イオン電荷交換反応における有意または測定不可能な非断熱効果を予測した。
円錐相互作用が存在するレーザー周波数窓では、レート係数の差は10-9$cm$3$/s程度になる。
論文 参考訳（メタデータ） (2023-04-15T14:43:21Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。