利用深度量子神经网络的结构，提出一种用于预测药物效果的混合量子模型，并在减小的癌症药物敏感性基因组数据集上进行定量分析，表明该型混合量子模型比经典算法预测的药效值高出15%以上。

Nov, 2022

本研究探讨了利用基于张量网络的生成模型在分子发现问题上的应用，并将其与其他模型进行了比较和评估，结果表明通过模型的组合可以取得更好的结果，提高了经典和量子(-启发式)生成学习的统一性。

Apr, 2023

研究表明Generative AI方法在药物研发领域有广泛应用，本论文开发了一种基于变分自编码器和主动学习步骤工作流程的GM方法，可以从分子指标学习，生成与特定靶点高度亲和的化学有效分子和新的不同于目标已知结构的分子，并开启了针对特定目标探索新化学领域的可能性。

May, 2023

本文介绍了一种基于监督学习方法的量子哈密顿矩阵预测模型，该模型利用 QM9 数据集中的分子动力学轨迹和稳定分子几何结构生成了一个准确的 QH9 量子哈密顿矩阵数据集，并设计了各种不同分子的基准测试任务，该模型可对任意分子预测哈密顿矩阵，并在分子设计和材料设计领域具有广泛的应用前景。

Jun, 2023

通过结合机器学习分子生成、量子模拟和先导优化，我们提出了一种名为QMLS的概念，将整个药品研发过程缩短到三到六个月，并将开销降低到5万到8万美元。

Aug, 2023

本研究提出了一种新的混合量子-经典深度学习模型，用于药物发现中的结合亲和力预测，并通过在优化的量子架构中同时整合3D和空间图卷积神经网络，模拟结果显示与现有经典模型相比，预测准确度提高了6％，收敛性能明显更稳定。

Sep, 2023

基于量子启发算法和深度学习编码的分子对接方法在去盲对接中表现出了比传统对接算法和基于深度学习的算法高10%的性能，特别是在高精度区域上实现了6%的改进。

Jan, 2024

该研究介绍了多个新的生成对抗网络模型，基于参数化量子电路与已知的生成对抗网络相结合，利用强化学习原理构建了一个新的多参数奖励函数。实验结果表明，这些模型在基准药物设计数据集 QM9 和 PC9 上表现优于以前的模型，尤其是在药物类似性定量估计方面提高了最多30%。这些新的混合量子机器学习算法以及实现的药代动力学性质分数有助于快速准确的药物发现过程的发展。

Dec, 2023

本研究解决了传统药物发现过程中的时间和成本高昂的问题，提出融入量子计算以加速药物开发的新方法。通过量子技术的应用，尤其是在分子模拟和药物-靶标相互作用预测方面，研究显示该方法有潜力显著缩短药物上市的周期，从而提升公共健康的福利。

Aug, 2024

本研究探讨了药物发现和开发中存在的高复杂性和高成本问题，尤其是传统计算机辅助药物设计的局限性。论文提出了量子计算在药物发现中的应用，强调其在分子模拟、药物靶向相互作用预测以及临床试验结果优化中的潜力，显示出量子技术可能显著缩短药物上市所需的时间和成本，对公共健康产生积极影响。

Aug, 2024