研究人员表示，量子机器学习和量子优化可以增强临床试验的设计和效率。

内部简报

• 一项新的研究探讨了量子优化和量子机器学习（QML）如何应用于改进临床试验设计、地点选择和队列识别。
• 量子算法有望通过高效处理经典系统难以应对的复杂高维数据，来增强试验模拟，特别是在预测药物效果和优化选址方面。
• 尽管这些技术具有前景，该研究承认当前量子硬件的限制（如噪声和较低的门保真度）带来了挑战，使得混合量子-经典方法目前是最可行的选择。

更好的、更高效的药物设计常常被宣传为量子计算机的一个关键应用场景。

最近的一项研究表明，在药物开发阶段之后，强大的量子计算机可以用于改进临床试验的设计和执行，解决长期以来困扰这一过程的一些关键挑战，包括延误的时间表、招募问题和数据可靠性。此外，尽管量子计算仍处于早期阶段，该研究建议即使在目前存在限制的情况下，量子算法也能为临床试验设计提供显著的改进。

出版于药理学研究趋势该研究特别指出，量子优化算法和量子机器学习（QML）——以及混合量子经典变体——如何可能影响临床试验格局。通过提高试验模拟的准确性并优化关键组件如站点选择和队列识别，量子计算有望加速试验时间线并提高其整体效率。

量子计算与试验优化

临床试验以其漫长的时限而臭名昭著，通常会持续数年，并且途中会面临诸多障碍，研究团队如是表示，该团队包括了来自的科学家们IBM以及GNQ 虚拟化合物库.

这项研究中讨论的量子计算最有前景的应用之一是其优化试验设计的能力，特别是通过诸如量子近似优化算法（QAOA）之类的量子优化算法。量子优化利用量子计算机的同时探索多个可能性的能力来更快地解决复杂问题，而量子机器学习（QML）则通过使用量子系统更高效地处理大型数据集来增强机器学习算法。

这些算法为与临床试验相关的活动提供了一种先进的方法，例如选择试验地点、模拟患者结果和优化队列选择——这些都是传统方法显示出局限性的领域。量子计算能够比经典计算更快更高效地处理复杂数据集，这可能为解决这些挑战提供了潜在的解决方案。它还可以为设计更加公平的临床试验开辟新的可能性，而这些试验是由经典计算机（甚至是经典的机器学习(ML)计算机）设计的。

团队写道：“尽管在临床试验中取得了机器学习（ML）的进步，但仍存在诸如机器学习决策缺乏可解释性等问题。许多机器学习模型的‘黑箱’性质可能会阻碍它们被监管机构和需要透明决策过程以验证和信任临床试验结果的医疗专业人员所接受。”

模拟与选址

根据研究人员的说法，量子计算机也有潜力在模拟药物的药代动力学和药效学（PBPK/PD）方面超越经典方法。这些预测药物在不同患者群体中行为的模拟对于确定治疗的安全性和有效性至关重要。例如，它们可以帮助研究人员了解药物与人体的相互作用，包括药物的吸收、分布、代谢和排泄。

量子算法可以从理论上更准确地处理这些模型，考虑到经典模型经常忽略的复杂的生物和生理因素。研究人员写道，目前的经典模型往往无法捕捉到这些相互作用的全部复杂性，导致临床前试验结果与临床试验结果之间存在差异。他们补充说，量子计算由于其能够处理大规模计算的能力，为更精确地建模这些相互作用并预测药物在真实人群中的效果提供了一种更为精准的方法。

量子优化算法也有潜力改变试验地点的选择方式。地点选择是临床试验中最关键的方面之一，因为试验的成功在很大程度上取决于找到拥有适当患者群体的合适位置。传统上，这一过程是由人工手动完成或通过基于规则的系统进行。这些系统使用预定义的规则和逻辑来做出决策或解决问题，依赖于专家知识而不是像现代机器学习模型那样从数据中学习。根据研究人员的说法，虽然基于规则的系统很有帮助，但并不总是高效的。量子计算可以通过使用先进的优化算法分析庞大的数据集，并根据基础设施、患者人口统计学以及监管因素的组合确定最佳地点来改进这一点。

此外，在确定哪些患者有资格参加试验的群体识别方面，量子算法也可以发挥作用。在临床试验中，定义正确的患者群体对于确保试验的成功至关重要。传统方法通常依赖于基于规则的系统，这可能既耗时又不够精确。量子算法，特别是量子机器学习（QML），有一天可以更快、更准确地处理复杂的患者数据以识别最佳的群体，从而改善试验结果。

更广泛的量子技术在医疗健康领域的应用

虽然该研究的主要焦点在于量子优化和量子机器学习（QML），但也涉及了量子计算在医疗健康领域的更广泛能力。量子计算擅长解决线性系统和非线性方程组，这些方程组在药物相互作用的模拟中很常见。这些能力使它成为推进药物发现和个人化医学的强大工具。此外，量子计算还有潜力增强临床试验中使用的机器学习模型，尤其是在处理大规模复杂数据集（如电子健康记录EHR）时。

为了开展这项研究，团队对当前的量子计算技术进行了详细的研究，包括使用量子纠错来减少噪声并提高量子系统的可靠性。作者们还探讨了混合量子-经典算法的潜力，这些算法结合了量子和经典计算的优点，能够更高效地解决复杂的优化问题。

限制和未来方向

尽管研究结果令人鼓舞，但该研究也承认了量子计算存在若干局限性。其中一个主要挑战是硬件噪声，这可能会降低量子计算的准确性。虽然错误校正方法正在改进，但量子计算尚未达到广泛商业应用所需的容错水平。此外，研究指出，尽管量子计算在PBPK/PD建模和位置选择方面显示出潜力，但仍需进一步的研究才能充分实现其在这方面的潜力。

展望未来，该研究提出了几个未来的研究方向。其中一个关键的改进领域是将量子算法与现有的临床试验基础设施进行集成。这需要研究人员、制药公司和监管机构之间的合作，以确保量子计算能够有效地应用于实际的临床环境中。此外，该研究呼吁更多地开发能够处理生物数据内在变异性的量子算法，特别是在基因组学和个人化医学方面。

该研究由几所著名机构的研究团队进行。Hakan Doga、Aritra Bose 和 Laxmi Parida 来自 IBM 研究院和 IBM 量子计算部门。M. Emre Sahin 联合隶属于 Hartree 中心，STFC。Joao Bettencourt-Silva 则位于爱尔兰都柏林的 IBM 研究院。Anh Pham、Eunyoung Kim、Anh Pham、Eunyoung Kim 和 Alan Andress 来自德勤咨询有限责任合伙公司。Sudhir Saxena 和 Radwa Soliman 来自 GNQ In Silico Inc.。Jan Lukas Robertus 联合隶属于伦敦帝国理工学院和皇家布朗普顿医院及哈雷菲尔德医院，Hideaki Kawaguchi 则来自 Keio 大学。最后，Daniel Blankenberg 来自克利夫兰诊所的 Lerner 研究所。