科学家副业：用AI与量子计算生成新肽

在传统药物研发的高成本与长周期面前，罕见病和被忽视人群的治疗需求往往被制药巨头搁置。如今，一群科学家另辟蹊径——利用人工智能（AI）与量子计算的组合拳，试图以极低成本生成全新肽类分子，为这些‘市场空白’领域带来曙光。这项看似‘副业’的研究，近日登上《WIRED》杂志，引发业界关注。

量子计算+AI：药物发现的‘新引擎’

肽类分子介于小分子药物和生物制剂之间，具有高特异性和低毒性，但天然肽易被酶降解、半衰期短。通过计算设计稳定且具有生物活性的肽，一直是药物化学的难题。传统方法依赖大量实验筛选，效率低下。该研究团队创新地结合了量子计算与AI：量子计算利用量子比特的叠加与纠缠特性，并行探索巨大的化学空间，快速逼近最优分子结构；AI则通过深度学习从已有数据库学习肽序列-活性关系，指导量子搜索的方向。两者互补，将设计过程从数月缩短至数天。

‘这不仅是技术堆叠，更是思维转变——我们不再需要昂贵的高通量筛选，而是让AI告诉我们哪里值得计算，让量子计算机算出最可能有效的分子。’——研究负责人 Isabella Ward

‘副业’背后的现实困境

值得关注的是，这项研究并非由大型药企或政府资金主导，而是科学家们利用业余时间、自筹资金完成。研究团队来自多所大学和初创公司，他们共同看准了罕见病药物开发的‘市场失灵’——全球约7000种罕见病中，仅有5%有获批疗法。由于患者数量少，商业回报低，制药公司不愿投入。而肽类分子因分子量适中、可合成、易修改，成为低成本药物的理想候选。通过AI和量子计算，研究人员能够针对特定靶点（如罕见病相关突变蛋白）快速设计候选肽，再进行实验室验证，显著降低早期发现成本。

然而，现实挑战依然严峻。目前量子计算硬件仍处NISQ（含噪中等规模量子）时代，量子比特数量有限、错误率高，直接用于真实分子模拟精度不足。研究团队通过混合计算（量子+经典）和误差缓解技术，在模拟器上取得了初步结果，但真正在硬件上运行大规模肽设计仍需数年的技术进步。此外，从计算分子到临床药物，还需经过合成、体外/体内测试、临床试验等漫长过程，约90%的候选分子会在早期失败。

编者按：创新需要‘不务正业’

这项‘副业’研究折射出一个深刻矛盾：最需要创新的领域，往往最缺乏商业激励。罕见病药物研发的高风险与低回报，让市场自然回避。而AI与量子计算的结合，提供了一种降低风险的可能——先通过计算大幅缩短探索路径，再集中资源验证最有希望的分子。这种‘计算先行’的模式，已在蛋白质结构预测（如AlphaFold）中得到验证，如今扩展到肽设计，是顺理成章的下一步。

当然，我们不能夸大其即时影响力。量子计算仍处早期，AI模型需要高质量数据，而罕见病领域数据稀缺。但真正的突破往往始于‘业余时间’的灵感——当科学家不再为KPI或论文而做研究，而是为了解决真实世界中被忽视的问题时，颠覆性创新才可能诞生。或许，我们应该鼓励更多这样的‘副业’：让工具自由组合，让好奇心引领，让计算为人类最脆弱的健康角落点亮希望。

本文编译自WIRED