Appearance
本报告由 MaltSci•麦伴科研 基于最新文献和研究成果撰写
量子计算在生物医学中的作用是什么？
摘要
量子计算作为一种新兴的计算技术，近年来在生物医学领域展现出巨大的潜力。传统计算机在处理复杂生物数据时面临着巨大的计算负担，而量子计算利用量子位的叠加和纠缠特性，可以在更短的时间内处理更复杂的计算任务。这一特性使得量子计算在基因组学、蛋白质折叠、药物发现等领域展现出重要的应用潜力。本文综述了量子计算的基本原理及其与经典计算的比较，探讨了量子计算在生物医学中的具体应用，包括基因组学中的数据分析、蛋白质折叠与分子模拟、药物发现与优化等方面。此外，量子机器学习在生物数据分析中的应用也被重点讨论。尽管量子计算在生物医学中的应用仍处于早期阶段，但其潜力已经引起了广泛的关注。本文还分析了量子计算在生物医学中面临的挑战，如硬件的可扩展性和算法的复杂性，并展望了未来的发展方向。总之，量子计算有望为生物医学研究带来革命性的变化，推动个性化医疗的发展，改善疾病诊断和治疗效果。
大纲
本报告将涉及如下问题的讨论。
- 1 引言
- 2 量子计算基础
- 2.1 量子计算的基本原理
- 2.2 量子计算与经典计算的比较
- 3 量子计算在生物医学中的应用
- 3.1 基因组学中的量子计算
- 3.2 蛋白质折叠与分子模拟
- 3.3 药物发现与优化
- 4 量子机器学习与生物数据分析
- 4.1 量子机器学习概述
- 4.2 生物医学数据的量子处理
- 5 量子计算在生物医学中的挑战与机遇
- 5.1 技术挑战
- 5.2 未来发展机遇
- 6 结论
- 7 总结
1 引言
量子计算作为一种新兴的计算技术，近年来在多个领域展现出其独特的潜力，尤其是在生物医学领域。传统计算机在处理复杂生物数据时面临着巨大的计算负担，而量子计算利用量子位的叠加和纠缠特性，可以在更短的时间内处理更复杂的计算任务。这一特性使得量子计算在基因组学、蛋白质折叠、药物发现等涉及大量数据分析的生物医学研究中，展现出巨大的应用潜力。随着生物技术的快速发展，研究人员面临着越来越多的复杂问题，这些问题往往超出了经典计算机的处理能力。因此，量子计算的引入不仅能够提高研究效率和精确度，还可能改变生物医学研究的格局[1][2]。
研究量子计算在生物医学中的应用，具有重要的理论和实践意义。首先，量子计算能够有效解决许多传统计算方法难以处理的复杂问题，例如在药物设计中快速模拟分子相互作用和优化药物分子结构[2]。其次，量子机器学习为生物医学数据的挖掘提供了新的方法，能够在大规模数据分析中发现潜在的生物学规律，从而推动个性化医疗的发展[3]。尽管量子计算在生物医学中的应用仍处于早期阶段，但其潜力已经引起了广泛的关注和研究，许多学者和机构正在积极探索这一领域的前沿技术[4]。
当前，量子计算在生物医学中的研究现状表明，尽管已经取得了一些初步进展，但仍面临许多挑战。例如，量子计算硬件的限制、量子算法的复杂性以及如何将量子计算与现有的生物医学研究流程有效结合等问题，都需要进一步的研究和探索[5]。在这一背景下，本文将综述量子计算在生物医学领域的现状、应用及未来发展方向，旨在为研究人员提供一个全面的视角，帮助他们理解这一技术如何改变生物医学研究的格局。
本文的内容组织如下：首先，介绍量子计算的基本原理及其与经典计算的比较，以便读者对量子计算有一个基础的理解；接着，探讨量子计算在生物医学中的具体应用，包括基因组学、蛋白质折叠和药物发现等方面；随后，讨论量子机器学习在生物数据分析中的应用及其潜在优势；然后，分析量子计算在生物医学中面临的挑战与机遇；最后，总结本文的主要观点并展望未来的研究方向。通过这一系统的综述，期望能够为量子计算在生物医学领域的进一步发展提供参考和启示。
2 量子计算基础
2.1 量子计算的基本原理
量子计算在生物医学领域的角色日益重要，其基础源于量子力学的基本原理，包括量子比特（qubits）、叠加态和纠缠态等概念。量子计算利用这些原理提供了强大的计算能力，能够处理经典计算机难以解决的复杂问题。具体而言，量子计算能够在多个方面推动生物医学的发展。
首先，量子计算为生物分子的模拟提供了新的方法。传统计算方法在处理生物分子的复杂性时常常面临计算资源的限制，而量子计算则可以通过其并行处理能力显著提高模拟效率。这一优势在药物发现、分子建模和基因组学等领域具有广泛的应用潜力。例如，量子计算能够加速新药分子的设计和优化过程，从而缩短药物研发的时间[2]。
其次，量子计算在机器学习和数据分析方面也展现出其独特的优势。量子机器学习（QML）能够通过处理大规模生物医学数据，识别潜在的疾病模式和临床特征，从而提高癌症等疾病的亚型分类准确性[1]。这种能力不仅能够提升临床决策的效率，还能支持个性化医疗的发展，帮助医生制定更有效的治疗方案[6]。
此外，量子计算还在医疗影像和实时决策支持中展现出潜力。通过量子驱动的算法，可以提高医学影像的诊断准确性，并优化治疗计划，从而改善患者的预后[6]。在临床环境中，量子计算能够实时处理复杂的医疗数据，帮助医生做出更快的决策。
尽管量子计算在生物医学领域具有广泛的应用前景，但仍面临一些挑战，包括硬件的可扩展性、错误校正和伦理问题等[6]。克服这些挑战需要跨学科的合作与技术创新，以推动量子计算在医疗研究和临床实践中的实际应用。
综上所述，量子计算通过其独特的计算原理和技术，正在逐步改变生物医学研究的面貌，推动新药开发、疾病诊断和个性化治疗的进步。随着量子技术的不断发展，未来在生物医学领域的应用将更加广泛和深入。
2.2 量子计算与经典计算的比较
量子计算在生物医学领域的角色日益显著，其潜力主要体现在以下几个方面：从生物分子的模拟到基于临床特征的癌症亚型分类的机器学习方法，量子计算能够为解决复杂的生物医学问题提供独特的计算优势。量子计算的优势体现在其能够在时间、空间或数据消耗等计算资源上实现显著的减少，从而使得某些问题的解决方案在量子计算机上变得可行，而在经典计算机上则可能是不可行的[1]。
量子计算的基本构建单元是量子比特（qubits），与经典比特不同，量子比特可以同时处于多个状态，这使得量子计算机能够并行处理大量信息。相比于经典计算，量子计算在某些应用中可以提供更快的计算速度和更高的效率。例如，在药物发现、分子建模、基因组学和医学诊断等领域，量子计算展现出了其独特的能力。具体而言，量子算法和量子机器学习（QML）等技术能够有效处理复杂的数据集，优化治疗方案，并增强实时决策的能力[2]。
然而，量子计算在生物医学中的应用仍面临一些挑战，包括硬件的可扩展性、错误校正以及如何在临床环境中整合量子技术等问题。这些挑战限制了量子计算的广泛应用，但通过跨学科的合作和技术创新，克服这些障碍是可能的[6]。随着量子计算技术的不断进步，未来的临床实践和医疗研究中将越来越多地采用量子计算，推动精准医疗的发展[2]。
总之，量子计算在生物医学中的角色不仅是理论上的探讨，它正在逐步转化为实际应用，推动着医疗和生物研究的变革。量子计算技术的独特优势为生物医学研究提供了新的视角和工具，未来可能会在疾病早期检测、个性化治疗方案的制定以及复杂生物系统的理解上发挥重要作用。
3 量子计算在生物医学中的应用
3.1 基因组学中的量子计算
量子计算在生物医学中的应用正在快速发展，特别是在基因组学领域，展示出其独特的优势和潜力。量子计算提供了一种新的计算范式，能够高效处理复杂问题，这些问题在经典计算机上可能是不可行的。具体而言，量子计算在以下几个方面展现出重要的应用潜力：
首先，量子计算能够加速药物发现和分子建模的过程。在药物开发过程中，量子计算可以通过模拟生物分子的行为，提供对药物分子与生物靶点相互作用的深入理解。这种能力有助于加速新分子的发现和优化[2]。此外，量子计算还可以用于基因组学中的数据分析，帮助研究人员快速处理和分析海量基因组数据，从而揭示基因与疾病之间的复杂关系[1]。
其次，量子计算在医疗诊断中的应用也逐渐受到重视。通过量子算法，研究人员可以更高效地识别和分类疾病，例如，通过量子机器学习技术，能够根据临床特征对癌症进行亚型划分[1]。这种技术的引入可能会显著提高诊断的准确性和效率，进而改善患者的治疗结果。
另外，量子计算的优势还体现在其处理大规模健康数据的能力上。量子计算能够利用量子并行性，快速处理多种数据组合，提升数据挖掘的效率。在一项研究中，基于量子计算的健康数据处理框架显示出相较于传统算法，计算速度提高约45%，并且在揭示高阶关联性方面，准确性提高约30%[7]。这为个性化医疗和早期疾病预测提供了新的思路和工具。
最后，量子计算在基因组学中的具体应用还包括量子增强成像和量子算法在生物计算中的应用。这些技术的结合能够更好地解决生物学中的关键计算问题，例如多尺度建模和基因组分析，从而为理解生物系统的复杂性提供新的视角[5]。
综上所述，量子计算在生物医学领域，尤其是在基因组学中的应用展现出广阔的前景。通过加速数据处理、提高分析准确性以及推动药物开发，量子计算有望为生物医学研究和临床实践带来革命性的变化。随着技术的不断进步和研究的深入，量子计算在生物医学中的应用将会愈加广泛和深入。
3.2 蛋白质折叠与分子模拟
量子计算在生物医学领域，特别是在蛋白质折叠与分子模拟方面，展现出巨大的潜力。传统的计算方法在处理复杂的生物系统时面临着速度和效率的瓶颈，尤其是在蛋白质折叠问题上，量子计算能够提供更高效的解决方案。
首先，量子计算利用量子系统的相干性和叠加性质，可以并行探索多条计算路径，这为解决某些计算问题提供了根本上更高效的途径。具体来说，蛋白质折叠涉及到许多优化问题，这些问题可以通过量子计算来加速求解。例如，Uttarkar和Niranjan（2024）研究表明，变分量子本征求解器（VQE）与条件价值风险（CVaR）相结合，可以在对50种七氨基酸肽的折叠进行模拟时，提供比分子动力学（MD）模拟更有效的折叠结果[8]。
其次，量子计算能够在分子模拟中处理更复杂的系统。Harris和Kendon（2010）指出，当前对生物分子物理学的理解受到传统模型的局限，而量子计算提供了一种新途径，可以进行大量并行计算，从而更好地模拟生物分子的行为[9]。在量子计算技术逐渐成熟的背景下，未来的生物模拟将可能实现对更复杂的生物系统的准确建模。
此外，Pamidimukkala等（2024）提出了一种基于门控量子计算机的新的编码算法，成功地预测了多种长度的蛋白质结构，这种方法利用了114个量子比特，能够捕捉蛋白质折叠中的关键步骤[10]。这种创新表明，量子计算不仅能够提高蛋白质结构预测的准确性，还能够处理具有较高自由度的复杂生物系统。
量子计算在生物医学中的应用，不仅限于蛋白质折叠，还包括其他生物分子的建模和分析。Marchetti等（2022）讨论了量子计算算法在计算生物学中的重要性，指出量子计算能够解决、加速或优化生物分子的模拟和预测问题，这为新疗法的开发提供了可能的突破口[5]。
综上所述，量子计算在生物医学领域，特别是在蛋白质折叠与分子模拟中，正展现出其独特的优势。通过利用量子计算的高效性，研究人员能够更深入地理解生物分子的行为，为新药的研发和生物技术的进步提供重要支持。
3.3 药物发现与优化
量子计算在生物医学领域，特别是在药物发现与优化方面，正逐渐展现出其潜在的革命性影响。量子计算利用量子力学的原理，能够提供比经典计算方法更为精准的分子洞察，从而推动药物设计的进展。具体而言，量子计算在药物发现中主要体现在以下几个方面。
首先，量子计算能够显著提升计算能力，使得复杂的分子结构和相互作用能够被更高效地模拟。传统的计算方法在处理大规模分子系统时往往面临着计算时间和资源的限制，而量子计算能够通过量子位（qubits）进行并行处理，解决这些问题。例如，量子计算可以应用于密度泛函理论（DFT）、哈特里-福克（HF）方法以及量子力学/分子力学（QM/MM）等关键技术，从而更准确地建模电子结构、结合亲和力和反应机制，这对于基于结构和基于片段的药物设计尤为重要[11]。
其次，量子计算在药物设计的具体应用上展现出广泛的潜力，包括小分子激酶抑制剂、金属酶抑制剂和共价抑制剂等药物类别的开发。通过量子计算，可以更精确地确定药物的吉布斯自由能曲线，这对于涉及共价键断裂的前药激活过程至关重要[12]。此外，量子计算还能够帮助模拟共价键相互作用，从而在药物设计工作流程中实现更高的准确性和可靠性[12]。
再者，量子计算与机器学习的结合，进一步推动了药物发现的进展。量子机器学习（QML）通过结合量子计算和人工智能，能够在药物分子属性预测、对接模拟和新药设计等方面提供更高的准确性和可扩展性。这种结合不仅能够解决传统机器学习面临的数据集依赖性和计算复杂性等问题，还能够在处理高维数据时展现出更大的优势[13]。
然而，尽管量子计算在药物发现中展现出诸多优势，但其应用仍面临挑战。例如，当前量子计算的实用性尚未完全实现，许多研究仍停留在概念验证阶段，尚未能有效解决现实世界药物开发中的复杂性问题[14]。此外，量子计算的高昂计算成本和对专业知识的需求也是其推广应用中的障碍[11]。
总体而言，量子计算在药物发现与优化中的应用前景广阔。随着技术的不断进步和量子计算资源的逐步可用，预计在2030年至2035年间，量子计算将在个性化医学和难以药物化的靶点上发挥更为显著的作用[11]。这为药物开发提供了新的思路和方法，可能会改变传统的药物发现流程，推动更有效和安全的治疗方案的出现。
4 量子机器学习与生物数据分析
4.1 量子机器学习概述
量子计算在生物医学领域的角色日益重要，尤其是在生物数据分析和量子机器学习的应用方面。量子计算的独特能力使其能够处理经典计算机难以解决的复杂问题，这对于生物医学研究具有巨大的潜力。
首先，量子计算能够加速和优化生物数据的处理与分析。随着生物技术的进步，生命科学家和医生能够获取前所未有的大量数据，这些数据涵盖了从分子到细胞的多个层面。量子计算提供了一种新的计算范式，通过量子比特（qubits）而非经典比特进行计算，能够在某些情况下显著提高计算速度和效率[3]。例如，在药物发现、分子建模和基因组学等领域，量子计算已经显示出其在解决复杂问题方面的优势[2]。
量子机器学习（Quantum Machine Learning, QML）作为量子计算的一个重要应用，结合了量子计算的能力与机器学习的算法，能够更有效地处理和分析生物医学数据。QML在处理大规模数据集时，尤其是在数据的分类和模式识别方面，表现出比传统机器学习算法更高的效率和准确性[1]。这对于癌症亚型的识别和生物标志物的发现等任务至关重要。
此外，量子计算还能够改善医疗影像学的诊断精度和治疗方案的优化，提升临床决策的实时性。这些改进有助于更早地检测疾病，如阿尔茨海默病和癌症，从而支持更及时的干预和更好的预后[6]。量子计算的算法在提升计算效率和诊断准确性方面显示出巨大潜力，为个性化医疗和精准医疗的实施提供了技术支持。
然而，尽管量子计算在生物医学中的应用前景广阔，但也面临一些挑战，如硬件的可扩展性、错误缓解和伦理问题等[6]。这些问题的解决需要跨学科的合作与技术创新，以推动量子计算在医疗研究和临床实践中的广泛应用。
综上所述，量子计算及其在生物数据分析中的应用正处于快速发展之中，未来可能会对生物医学研究和临床实践产生深远的影响。量子机器学习作为其中的重要组成部分，展现出在生物医学数据处理和分析中的独特优势，值得进一步探索和发展。
4.2 生物医学数据的量子处理
量子计算在生物医学领域的角色日益重要，特别是在生物数据分析和处理方面。随着生物学和医学研究中数据量的激增，传统计算方法面临着处理复杂性和计算效率的挑战。量子计算通过其独特的计算能力，为解决这些问题提供了新的可能性。
量子计算能够利用量子比特（qubits）进行并行处理，这使得其在处理大规模生物医学数据时具备显著优势。例如，研究表明，量子计算框架在处理大规模健康数据时，整体计算速度比传统算法提高了约45%，在揭示高阶关联方面的准确性提高了约30%[7]。这表明，量子计算能够有效加速数据分析，尤其是在涉及复杂关联的情况下，如症状与疾病之间的关系，或基因与症状、疾病之间的高阶关联。
此外，量子计算还在生物标志物的发现中展现出潜力。生物标志物在个性化医疗和早期疾病检测中起着关键作用，而量子算法，特别是在机器学习中的应用，能够处理多维度和时间序列数据，从而提高生物标志物发现的效率和准确性[15]。量子计算的能力使得研究人员能够检测到复杂的相关性，这在传统计算中可能难以实现。
量子计算的另一个重要应用是在药物设计和基因组学中。量子计算能够加速药物分子的发现过程，模拟复杂的生物分子行为，进而为个性化治疗方案的制定提供支持[16]。通过对基因组数据的量子处理，研究人员能够更好地理解疾病的机制，从而推动精准医学的发展。
尽管量子计算在生物医学领域的应用展现出巨大潜力，但也面临着硬件限制、可扩展性和伦理问题等挑战[6]。为克服这些障碍，需要跨学科的合作与技术创新，以推动量子计算在临床实践中的整合和应用。
综上所述，量子计算在生物医学数据分析中扮演着关键角色，其独特的计算能力为处理复杂生物数据提供了新的思路，推动了生物医学研究的进步。
5 量子计算在生物医学中的挑战与机遇
5.1 技术挑战
量子计算在生物医学领域的应用前景广阔，但同时也面临着多种技术挑战。首先，量子计算需要专门的硬件，即量子处理单元，这些单元使用量子比特（qubits）而非经典比特来执行计算。这一要求使得量子计算的实现变得复杂，尤其是在硬件的可用性和可靠性方面[3]。
其次，量子计算在生物医学中的应用通常涉及到大量数据的处理与分析，而现有的量子计算机在量子比特的数量和保持量子态的时间（即抗干扰能力）上仍存在限制。这意味着在处理复杂的生物数据时，量子计算的优势尚未充分发挥。例如，在药物发现、分子建模和基因组学等领域，量子计算有潜力提供比经典计算更快的解决方案，但这些应用仍受到现有技术水平的制约[2]。
此外，量子计算的算法开发也面临挑战。虽然量子算法在理论上能够解决某些计算问题，但如何将这些算法有效地应用于实际的生物医学问题仍然需要大量的研究和开发。具体来说，量子机器学习（QML）等技术在临床试验设计和优化方面展现出潜力，但要实现这些算法的实际应用，还需克服算法的复杂性和计算资源的限制[17]。
最后，量子计算在生物医学中的整合与传统计算系统的协同工作也是一大挑战。量子与经典计算的混合系统可能是最接近实际应用的方案，但如何设计和实现这种系统仍然是一个亟待解决的问题[18]。尽管如此，量子计算的潜在优势，如加速数据处理和优化复杂模型，仍然为生物医学研究提供了新的机遇，值得持续关注和探索[1]。
5.2 未来发展机遇
量子计算在生物医学领域的角色日益受到关注，其潜力不仅体现在加速计算能力上，还在于其独特的处理复杂问题的能力。量子计算的核心优势在于能够利用量子比特（qubits）的叠加和纠缠特性，同时探索多个计算路径，从而显著提高某些计算问题的解决效率，这在生物模拟和医学研究中尤为重要[1][2]。
量子计算为生物医学提供了多种应用前景，特别是在药物发现、分子建模、基因组学和医疗诊断等领域。具体而言，量子计算能够处理传统计算机难以解决的复杂问题，如蛋白质折叠、分子动力学等优化问题，这些问题在生物模型中普遍存在[19][20]。此外，量子计算结合机器学习的方法，可以加速生物或医学数据的分析，揭示化学反应机制或药物候选物的作用，从而推动个性化治疗策略的发展[16]。
然而，量子计算在生物医学中的应用仍面临挑战。首先，量子计算机的硬件限制和可扩展性问题制约了其在临床环境中的实际应用。尽管当前的量子计算机已经能够执行某些特定的计算任务，但其性能和稳定性仍然不足以广泛应用于复杂的生物医学研究[2]。其次，量子算法的开发和优化也需要更多的研究，以确保其能够在实际生物计算中提供相较于经典计算的优势[5]。
展望未来，量子计算在生物医学中的发展机遇主要体现在以下几个方面：一是随着量子硬件技术的进步，量子计算将能够解决越来越复杂的生物医学问题，特别是在药物开发和基因组学研究中。二是量子-经典混合系统的出现，可能会为生物计算提供新的解决方案，使得研究者能够更好地利用现有的计算资源[2]。三是量子计算与生物医学数据的结合，能够促进对复杂生物系统的深入理解，从而推动新药的发现和个性化医疗的实现[1][16]。
综上所述，量子计算在生物医学中展现出巨大的潜力，尽管面临一些挑战，但其未来的发展机会依然值得期待。通过不断的技术进步和研究，量子计算有望在生物医学领域引发一场革命。
6 结论
7 总结
量子计算在生物医学领域的研究和应用正在迅速发展，其独特的计算能力为解决传统计算机难以处理的复杂问题提供了新的视角和工具。通过加速药物发现、优化蛋白质折叠、提升基因组学数据分析的效率，量子计算正在逐步改变生物医学研究的格局。当前，尽管量子计算在生物医学中的应用仍面临硬件可扩展性、算法复杂性及与现有研究流程整合等挑战，但随着技术的不断进步和跨学科合作的加强，这些障碍有望得到克服。未来，量子计算可能在个性化医疗、疾病早期检测和复杂生物系统的理解等方面发挥更为重要的作用，推动生物医学领域的创新与发展。因此，量子计算在生物医学中的应用前景广阔，值得持续关注和深入研究。
参考文献
- [1] Benjamin A Cordier;Nicolas P D Sawaya;Gian Giacomo Guerreschi;Shannon K McWeeney. Biology and medicine in the landscape of quantum advantages.. Journal of the Royal Society, Interface(IF=3.5). 2022. PMID:36448288. DOI: 10.1098/rsif.2022.0541.
- [2] James C L Chow. Quantum Computing in Medicine.. Medical sciences (Basel, Switzerland)(IF=4.4). 2024. PMID:39584917. DOI: 10.3390/medsci12040067.
- [3] Thomas J S Durant;Elizabeth Knight;Brent Nelson;Sarah Dudgeon;Seung J Lee;Dominic Walliman;Hobart P Young;Lucila Ohno-Machado;Wade L Schulz. A primer for quantum computing and its applications to healthcare and biomedical research.. Journal of the American Medical Informatics Association : JAMIA(IF=4.6). 2024. PMID:38934288. DOI: 10.1093/jamia/ocae149.
- [4] Majid Mokhtari;Samane Khoshbakht;Kobra Ziyaei;Mohammad Esmaeil Akbari;Sayyed Sajjad Moravveji. New classifications for quantum bioinformatics: Q-bioinformatics, QCt-bioinformatics, QCg-bioinformatics, and QCr-bioinformatics.. Briefings in bioinformatics(IF=7.7). 2024. PMID:38446742. DOI: 10.1093/bib/bbae074.
- [5] Laura Marchetti;Riccardo Nifosì;Pier Luigi Martelli;Eleonora Da Pozzo;Valentina Cappello;Francesco Banterle;Maria Letizia Trincavelli;Claudia Martini;Massimo D'Elia. Quantum computing algorithms: getting closer to critical problems in computational biology.. Briefings in bioinformatics(IF=7.7). 2022. PMID:36220772. DOI: 10.1093/bib/bbac437.
- [6] Stevan C Fairburn;Lara Jehi;Brenton T Bicknell;Beckley G Wilkes;Bharat Panuganti. Applications of quantum computing in clinical care.. Frontiers in medicine(IF=3.0). 2025. PMID:40337272. DOI: 10.3389/fmed.2025.1573016.
- [7] Peng Mei;Fuquan Zhang. A framework for processing large-scale health data in medical higher-order correlation mining by quantum computing in smart healthcare.. Frontiers in digital health(IF=3.8). 2024. PMID:39633967. DOI: 10.3389/fdgth.2024.1502745.
- [8] Akshay Uttarkar;Vidya Niranjan. Quantum synergy in peptide folding: A comparative study of CVaR-variational quantum eigensolver and molecular dynamics simulation.. International journal of biological macromolecules(IF=8.5). 2024. PMID:38862055. DOI: 10.1016/j.ijbiomac.2024.133033.
- [9] Sarah A Harris;Vivien M Kendon. Quantum-assisted biomolecular modelling.. Philosophical transactions. Series A, Mathematical, physical, and engineering sciences(IF=3.7). 2010. PMID:20603369. DOI: 10.1098/rsta.2010.0087.
- [10] Jaya Vasavi Pamidimukkala;Soham Bopardikar;Avinash Dakshinamoorthy;Ashwini Kannan;Kalyan Dasgupta;Sanjib Senapati. Protein Structure Prediction with High Degrees of Freedom in a Gate-Based Quantum Computer.. Journal of chemical theory and computation(IF=5.5). 2024. PMID:39504453. DOI: 10.1021/acs.jctc.4c00848.
- [11] Sarfaraz K Niazi. Quantum Mechanics in Drug Discovery: A Comprehensive Review of Methods, Applications, and Future Directions.. International journal of molecular sciences(IF=4.9). 2025. PMID:40650102. DOI: 10.3390/ijms26136325.
- [12] Weitang Li;Zhi Yin;Xiaoran Li;Dongqiang Ma;Shuang Yi;Zhenxing Zhang;Chenji Zou;Kunliang Bu;Maochun Dai;Jie Yue;Yuzong Chen;Xiaojin Zhang;Shengyu Zhang. A hybrid quantum computing pipeline for real world drug discovery.. Scientific reports(IF=3.9). 2024. PMID:39043787. DOI: 10.1038/s41598-024-67897-8.
- [13] Danishuddin;Md Azizul Haque;Vikas Kumar;Shahper Nazeer Khan;Jong-Joo Kim. Quantum intelligence in drug discovery: Advancing insights with quantum machine learning.. Drug discovery today(IF=7.5). 2025. PMID:40907599. DOI: 10.1016/j.drudis.2025.104463.
- [14] Maximillian Zinner;Florian Dahlhausen;Philip Boehme;Jan Ehlers;Linn Bieske;Leonard Fehring. Quantum computing's potential for drug discovery: Early stage industry dynamics.. Drug discovery today(IF=7.5). 2021. PMID:34119668. DOI: 10.1016/j.drudis.2021.06.003.
- [15] Frederik F Flöther;Daniel Blankenberg;Maria Demidik;Karl Jansen;Raga Krishnakumar;Rajiv Krishnakumar;Nouamane Laanait;Laxmi Parida;Carl Y Saab;Filippo Utro. How quantum computing can enhance biomarker discovery.. Patterns (New York, N.Y.)(IF=7.4). 2025. PMID:40575130. DOI: 10.1016/j.patter.2025.101236.
- [16] Parichehr Hassanzadeh. Towards the quantum-enabled technologies for development of drugs or delivery systems.. Journal of controlled release : official journal of the Controlled Release Society(IF=11.5). 2020. PMID:32380203. DOI: 10.1016/j.jconrel.2020.04.050.
- [17] Hakan Doga;Aritra Bose;M Emre Sahin;Joao Bettencourt-Silva;Anh Pham;Eunyoung Kim;Alan Andress;Sudhir Saxena;Laxmi Parida;Jan Lukas Robertus;Hideaki Kawaguchi;Radwa Soliman;Daniel Blankenberg. How can quantum computing be applied in clinical trial design and optimization?. Trends in pharmacological sciences(IF=19.9). 2024. PMID:39317621. DOI: 10.1016/j.tips.2024.08.005.
- [18] Arseny Kovyrshin;Lars Tornberg;Jason Crain;Stefano Mensa;Ivano Tavernelli;Anders Broo. Prioritizing quantum computing use cases in the drug discovery and development pipeline.. Drug discovery today(IF=7.5). 2025. PMID:40054764. DOI: 10.1016/j.drudis.2025.104323.
- [19] Viv Kendon. Quantum computing using continuous-time evolution.. Interface focus(IF=4.0). 2020. PMID:33178417. DOI: 10.1098/rsfs.2019.0143.
- [20] Nick S Blunt;Joan Camps;Ophelia Crawford;Róbert Izsák;Sebastian Leontica;Arjun Mirani;Alexandra E Moylett;Sam A Scivier;Christoph Sünderhauf;Patrick Schopf;Jacob M Taylor;Nicole Holzmann. Perspective on the Current State-of-the-Art of Quantum Computing for Drug Discovery Applications.. Journal of chemical theory and computation(IF=5.5). 2022. PMID:36355616. DOI: 10.1021/acs.jctc.2c00574.
麦伴智能科研服务
在麦伴科研 (maltsci.com) 搜索更多文献
量子计算 · 生物医学 · 基因组学 · 药物发现 · 量子机器学习
© 2025 MaltSci 麦伴科研