文：張恭銘&吳芮醫生
從 AlphaFold 的靜態邊界到高維構象空間的量子穿越
一、AlphaFold 的成就與未竟之地
2020 年 AlphaFold2 的問世被譽為生物學的革命，2024 年諾貝爾化學獎的加冕更將這一技術推上神壇。然而，在「蛋白質折疊問題已被解決」的喧囂之下，一個根本性挑戰始終未被觸及：AlphaFold 預測的是單一靜態構象，而真實生物環境中的蛋白質是動態系綜，不斷在廣袤的能量景觀中採樣。對於膜蛋白、固有多醣蛋白、以及大型多組分複合體，AlphaFold 的預測能力顯著下降。更關鍵的是，它無法生成內在無序蛋白的構象系綜，僅以低結構概率來描述這些區域。
這並非技術細節的瑕疵，而是範式層面的盲區。傳統 AI 方法試圖從序列直接映射到結構，卻跳過了構象空間的熱力學探索。正是這片「盲區」，成為了量子-AI 混合方法切入的入口。
二、量子降維：重新定義構象空間的維度
構象空間的維度災難是經典計算的根本瓶頸。一個含 n 個殘基的蛋白質，其構象自由度隨 n 指數增長。經典方法試圖窮舉或採樣這一空間，卻在維度牆前止步。
量子計算提供了截然不同的路徑。量子退火技術將蛋白質折疊編碼為 QUBO 形式，利用量子隧穿效應穿越能量勢壘，直接求解基態構象。在更精細的層面，混合量子-經典路徑採樣框架——gTPS——先用機器學習在經典計算機上進行構象空間的無偏探索，再將生成的網絡表示編碼為量子退火的初始態，利用量子疊加態一次性採樣完全不相關的轉變路徑。在丙氨酸二肽的驗證中，該方法成功復現了毫秒尺度的蛋白質構象轉變，與專用超級電腦的分子動力學模擬結果一致。
這一策略的核心是降維：不是縮減數據維度，而是將高維構象空間映射到量子態的希爾伯特空間中，在量子層面實現對構象系綜的並行表示。
三、能量融合：量子-AI 混合架構的工程突破
2026 年發表於 ACM Transactions on Quantum Computing 的混合框架，將這一思路推向工程實現。研究團隊在 IBM 127 量子位超導處理器上執行變分量子本徵求解器（VQE），生成全局但低分辨率的量子能量曲面。然而，NISQ 設備的噪聲限制了能量曲面的精度。解決方案是能量融合：引入 NSP3 神經網絡預測的二級結構概率和二面角分佈作為統計勢，銳化量子能量曲面的勢谷，使混合能量函數能夠有效區分天然樣結構。
在 75 個蛋白質片段的 375 個構象上，該管線實現了平均 4.9 Å 的 RMSD，統計顯著性 p < 0.001，優於純量子重排序和片段級 AlphaFold3。當然，這一結論嚴格限制在當前量子硬件可及的片段尺度內，尚不適用於全鏈蛋白質。
四、無序蛋白：新藥的「第二戰場」
如果說結構蛋白的折疊是經典戰場，那麼內在無序蛋白與無序區域（IDP/IDR）就是量子-AI 混合方法開闢的「第二戰場」。人體中相當比例的蛋白質包含 IDP 或 IDR，它們在多種構象間轉換而無固定三維結構，長期被視為「不可成藥」。
QuPepFold 是這一戰場的標誌性工具。該 Python 包將三維構象轉換為四面體格點模型，映射到量子位寄存器，通過 CVaR 優化的 VQE 探索肽鏈折疊的最優能量態。測試表明，CVaR-VQE 達到基態的速度比傳統 VQE 快約 30%，並在 IonQ Aria-1 真實量子硬件上以高保真度復現了基態能量。其戰略意義在於將量子電路構建和誤差緩解自動化，大幅降低了結構生物學家使用量子計算的門檻。
五、從概念驗證到臨床管線的距離
量子-AI 混合降維的藥學轉化已現雛形。在 KRAS 抑制劑設計中，量子電路玻恩機器與 LSTM 網絡協同生成候選分子，篩選超過一百萬分子後識別出 15 個高親和力候選物，其中 ISM061-018-2 和 ISM061-022 經 SPR 驗證顯示可測量的 KRAS 結合活性。這類工作的深層邏輯在於：KRAS 的高度動態構象景觀使其缺乏深層結合口袋，經典對接模擬難以捕捉其構象靈活性，而量子生成模型能夠在更廣闊的化學空間中進行條件化探索。
然而，清醒的評估是必要的。當前量子優勢體現在解質量而非速度——NISQ 設備的電路編譯和測量噪聲使量子壁鐘時間仍比經典 GPU 慢 12 至 340 倍。量子-AI 混合降維的真正價值不在於替代 AlphaFold，而在於開闢 AlphaFold 無法觸及的動態構象空間，在新藥發現的「第二戰場」上建立陣地。從片段尺度的概念驗證到全鏈蛋白質的臨床管線，仍是未來十年的攻堅方向。
