本源量子联合中国科学技术大学等机构研发的量子嵌入图神经网络架构（QEGNN），通过量子边编码和量子节点嵌入技术，将HIV抗病毒药物筛选准确率从73%提升至97%，并在阿尔茨海默病药物预测和分子毒性预测上取得显著提升。该技术填补了量子图神经网络研究空白，已在“本源悟空”量子计算机上验证，并上线“本源量子计算云平台”，推动药物发现效率。

🔬 QEGNN架构融合量子边编码（QEEM）和量子节点嵌入模式（QNEM），首次在量子层面同步处理原子与化学键，提升分子行为预测精度。

📈 在三个药物相关数据集上验证，HIV抗病毒药物筛选准确率提升24%，阿尔茨海默病药物预测提升6%，ClinTox分子毒性预测提升7%，显著提高药物发现效率。

🖥️ 在“本源悟空”量子计算机上实验，尽管存在量子噪声，量子模型准确率仍维持在80%左右，证明其在当前硬件条件下的实用性。

🌐 基于该技术开发的药物毒性预测应用已上线“本源量子计算云平台”，为药物研发提供高效工具。

🔬 技术发表于化学信息学权威期刊，填补量子图神经网络研究空白，推动量子计算在药物研发领域的应用。

IT之家 8 月 8 日消息，据本源量子消息，其联合中国科学技术大学、合肥综合性国家科学中心人工智能研究院创新设计的量子嵌入图神经网络架构（QEGNN），提升了关键药物性质预测准确率，将 HIV 抗病毒药物筛选准确率从 73% 提升至 97%。

据介绍，该架构融入全球首创量子边编码技术（QEEM）和量子节点嵌入模式（QNEM），填补了量子图神经网络研究的空白，首次在量子层面实现原子与化学键的同步处理。成果以题为“Quantum-Embedded Graph Neural Network Architecture for Molecular Property Prediction”的论文发表于化学信息学领域的权威期刊 Journal of Chemical Information and Modeling。

团队全球首创的量子边编码技术将分子的化学键进行量子编码，能够在量子层面处理原子间的相互作用；量子节点嵌入模式则可以对分子的原子信息进行量子编码，让量子计算机能够理解原子的特性。二者创新融入量子嵌入图神经网络架构，提升了对分子行为的预测精度和药物发现效率。

团队在三个重要的药物相关数据集上对量子嵌入图神经网络架构进行了验证测试，结果显示这一技术提升了关键药物性质预测准确率：HIV 抗病毒药物筛选准确率从 73% 提升至 97%；阿尔茨海默病药物预测准确率从 64% 提升至 70%；ClinTox 分子毒性预测准确率从 80% 提升至 87%。

此外，团队还在中国第三代自主超导量子计算机“本源悟空”上进行了实验，验证了量子嵌入图神经网络架构在实际量子硬件上的可靠性。虽然存在量子噪声的影响，但该量子模型的准确率仍维持在 80% 左右，充分证明了其在当前量子计算条件下的实用性。

目前，以“本源悟空”为计算后端，研发团队基于该项技术开发的药物毒性预测真机应用已上线“本源量子计算云平台”。

IT之家附论文、应用访问链接：

文章链接：https://pubs.acs.org/doi/10.1021/acs.jcim.5c01019

药物毒性预测真机应用访问链接：https://qcloud.originqc.com.cn/app/application/toxicityPrediction