應用於癌症免疫療法的量子框架
Cleveland Clinic 與 IBM 的研究人員公佈了 Q-CHIPP（Quantum Convolutional HLA Immunogenic Peptide Prediction，量子卷積 HLA 免疫原性胜肽預測）的成果，這是一種用於預測哪些腫瘤突變將觸發免疫反應的量子機器學習方法。該方法將抗原呈現與免疫療法反應預測整合於單一模型中，團隊的論文已發表於《Science Advances》。研究人員表示，在相似的限制條件與參數上限下進行評估時，這個量子卷積神經網路的表現優於傳統運算方法，並且能從僅 150 筆樣本的小型訓練資料集中萃取出有意義的生物模式——這在標註患者資料通常有限的免疫腫瘤學領域是一項實用的特性。
擴展至生物上真實的胜肽規模
研究團隊將此方法擴展，使用 46 個量子位元在量子硬體上對全長胜肽進行建模，從縮減的測試系統邁向具生物相關性的輸入。IBM Research 的通訊作者暨資深研究科學家 Sara Capponi 表示，這項合作將免疫系統的特徵轉化為量子電路，並將背後的數學與生物學進行驗證，同時以真實世界的患者資料驗證結果。團隊計畫持續優化 Q-CHIPP，以更精準地找出治療標的，目標是加速個人化癌症免疫療法及次世代癌症疫苗的發展。
專為藥物分子設計的 AI 電路
另一方面，來自 Quantinuum、NVIDIA 與輝瑞（Pfizer）的研究團隊描述了一套人工智慧框架，能以比 ADAPT-VQE（領先的量子化學演算法）快上數千倍的速度產生用於分子模擬的量子電路，同時在基準測試中達到或超越其精確度。該框架結合了基於 Transformer 的語言模型與強化學習，可在單次推論步驟中產出完整的分子基態準備電路，取代傳統量子化學工作流程中使用的反覆優化。研究團隊選用了丙咪嗪（imipramine）——一種具有多個反應位點與大量三維構形的三環抗憂鬱藥——作為主要藥物測試案例。
硬體執行與更廣泛的量子優勢
具代表性的 AI 生成電路已在 Quantinuum 的 Helios 離子阱量子電腦上執行，研究人員指出，強化學習階段經常產生計算能量低於原始訓練集的電路，代表模型是發現了更佳的解，而非單純重現 ADAPT-VQE。這兩項聚焦於醫學的研究於 2026 年 7 月 30 日發表，與 IBM 及芝加哥大學提出的更廣泛量子優勢主張同時公開；IBM 與芝加哥大學的團隊編碼了 70 個邏輯量子位元、執行了 2,415 個邏輯雙量子位元運算與 468 個邏輯 T 閘，並在大約 15 分鐘內完成一項領先的古典模擬方法在可行時間內無法匹敵的可驗證運算。整體而言，這些結果顯示量子硬體與演算法正被導向具體的生醫問題，不過醫學相關工作仍處於研究階段而非臨床階段。
分享這篇文章
