ИИ и квантовые вычисления помогли генерировать пептиды: что показали DTU и ORCA

По состоянию на 12 июля 2026 года это один из самых предметных примеров того, как ИИ и квантовые вычисления могут встретиться не в презентации про будущее, а в лабораторном тесте. Команда Technical University of Denmark, ORCA Computing, Sparrow Quantum и PSNC показала гибридный процесс для генерации пептидов: генеративная модель получала часть латентного пространства от реального фотонного квантового процессора, а затем кандидаты проверяли сначала вычислительно, а часть - в лаборатории.

Коротко: результат интересный, но его нельзя подавать как готовое лекарство, найденное квантовым компьютером. В препринте на bioRxiv авторы прямо пишут, что это не доказательство квантового преимущества: использованные размеры системы еще можно моделировать классически, а прирост над классическими априорными распределениями скромный. Новость в другом: у квантового блока нашлась понятная роль в узком биологическом конвейере, особенно там, где обучающих данных мало.

Квантовый ИИ для генерации пептидов здесь означает гибридный подход: классическая генеративная модель учится предлагать аминокислотные последовательности, а квантовый процессор дает ей структурированное распределение для поиска кандидатов в латентном пространстве.

Что именно сделали DTU и ORCA

Пептиды - это короткие цепочки аминокислот. В иммунологии важен частный случай: пептид должен стабильно связываться с молекулой MHC class I, чтобы иммунная система могла "увидеть" нужный фрагмент. Такой binding - ранний этап в дизайне вакцин и T-клеточных терапий, но сам по себе он не делает готовый препарат.

По описанию WIRED, группа Тимоти Патрика Дженкинса из DTU запускала генеративную модель вместе с квантовым компьютером ORCA Computing размером примерно с принтер. Задача была узкой: сгенерировать новые пептиды, способные связываться с конкретными белковыми комплексами в организме. Затем часть лучших кандидатов синтезировали и проверили в лаборатории.

В научной версии работы детали такие:

• модель обучали на 105 970 peptide-HLA парах из Immune Epitope Database;
• в наборе было около 77 000 уникальных 9-мерных пептидных последовательностей и 126 HLA-I молекул;
• в генеративной модели сравнивали четыре априорных распределения: Gaussian, Bernoulli, симулированное квантовое и распределение с реального фотонного процессора;
• квантовая часть использовала 32-mode photonic quantum processor с Gaussian Boson Sampling;
• после обучения модель генерировала по 1000 пептидов для 131 HLA-аллеля, а связывание оценивали через NetMHCpan 4.2;
• для трех слабо представленных HLA-аллелей авторы взяли по 20 лучших пептидов и проверили их через peptide-MHC stability ELISA.

Что показал эксперимент

Квантовые априорные распределения в среднем давали больше predicted strong binders, чем Gaussian и Bernoulli. Самое важное: выигрыш концентрировался не на самых простых и хорошо представленных HLA, а на тех, где базовая классическая модель работала хуже.

В препринте указано, что квантовое априорное распределение превосходило Gaussian prior на 63% аллелей. В смешанной модели прирост составил +10,6 predicted strong binders на 1000 сгенерированных пептидов для симулированного квантового распределения и +6,3 для распределения с реального квантового процессора; p-values - 0,001 и 0,049 соответственно. Это не огромная разница, зато она ложится туда, где дефицит данных действительно мешает моделям.

Лабораторная часть была нужна именно для отсечения красивой, но пустой вычислительной метрики. Авторы проверили три HLA-аллеля: HLA-A*31:01, HLA-A*68:01 и HLA-B*37:01. Для HLA-A*31:01 и HLA-A*68:01 все протестированные predicted binders прошли порог положительного сигнала. Для HLA-B*37:01 картина была неровнее: среди пептидов, полученных с квантовым распределением, были сильные связывающие кандидаты, но были и неудачи. Это как раз честная часть результата: редкие и плохо описанные цели остаются трудными.

Что это значит для ИИ в drug discovery

В разработке лекарств и вакцин проблема часто не в том, что модель "не умеет думать", а в том, что для конкретной группы пациентов или редкого биологического варианта мало данных. Дженкинс в WIRED связывает это с перекосом медицинских наборов данных в сторону западных популяций. Если модель хуже видит HLA-варианты, часто встречающиеся вне этих наборов, она хуже предлагает кандидатов для таких групп.

Именно поэтому кейс стоит рядом с другими материалами Toolarium про ИИ в drug discovery, модели для биологии и фармы и открытые модели для белков. В этот раз проверяется узкая гипотеза: может ли не-классическое распределение помочь генеративной модели искать кандидатов там, где данных мало и пространство вариантов большое.

У ORCA это ложится в более широкий продуктовый тезис. На странице applications компания описывает PT Series как систему для гибридных quantum-classical applications, включая generative AI. В отдельной заметке про quantum-enhanced vaccine design ORCA уже связывала проект DTU, Sparrow Quantum и PSNC с peptide design для vaccine development.

Где заканчивается эксперимент и начинается маркетинг

Главное ограничение сформулировано самими авторами: это не demonstration of quantum advantage. Использованный масштаб можно моделировать классически, а значит нельзя говорить, что классический компьютер принципиально не мог бы сделать то же самое. Возможно, другое классическое распределение тоже дало бы похожий прирост. Авторы утверждают меньшее: структурированное не-классическое распределение с реального квантового оборудования может быть полезным inductive bias для генеративного дизайна пептидов.

Есть еще три ограничения.

• Препринт опубликован 10 июля 2026 года и не прошел peer review.
• GAN выбран как контролируемая экспериментальная рамка, а не как последний писк peptide generation.
• MHC-binding - только prerequisite для T-cell recognition, а не доказательство иммунного ответа, безопасности или эффективности препарата.

В практическом смысле работа интересна не обещанием "квантового лекарства", а инженерной постановкой. Квантовый процессор здесь не заменяет весь процесс ИИ и не обучает большую frontier-модель. Он выступает генератором распределения, которое меняет то, какие области пространства последовательностей исследует классическая модель.

Что показали, чего не показали

FAQ

Это уже лекарство?

Нет. Авторы проверяли binding пептидов к MHC-I комплексам. Это ранний шаг для вакцинного или терапевтического дизайна, но до препарата нужны другие стадии: иммуногенность, токсичность, доставка, доклиника и клинические испытания.

Почему квантовый процессор может помочь?

В этой работе он дает не-классическое prior-распределение для генеративной модели. Такая структура может расширять поиск в пространстве последовательностей и давать больше разнообразных кандидатов, особенно когда обучающих примеров мало.

Почему результат важен, если quantum advantage не доказан?

Потому что near-term quantum computing нужен не только для рекордов. Иногда ценность в том, чтобы найти узкое место, где квантовое устройство можно встроить в существующий классический процесс и получить измеримый эффект. Здесь эффект небольшой, но проверенный на реальном оборудовании и подтвержденный лабораторной частью.

Следующий вопрос - масштабирование. В WIRED Дженкинс говорит, что команда хочет попробовать подход с более современными моделями и более крупными белками. Если эффект сохранится за пределами контролируемого GAN-эксперимента, quantum+AI для биологии станет менее похожим на лозунг и больше - на специализированный инструмент для областей, где данных хронически не хватает.