量子增强图微分几何提高蛋白质-蛋白质相互作用预测的准确性

微小分子相遇为何重要

在每个细胞内部，生命依赖于无数微观的“握手”——蛋白质之间的相互作用。这些相互作用控制着从我们如何将食物转化为能量到癌症如何发展的方方面面。但要找出哪些蛋白质真正发生接触——以及哪些配对最为关键——就像在黑暗中绘制一座拥挤城市的社交网络。本文提出了一种新的方法，通过将量子物理学与高级网络数学的理念结合起来，打开了灯，从而比以往更精准地预测这些分子关系。

蛋白关系的新地图

作者引入了一个称为量子化图微分模型（QGDM）的框架。简单来说，他们把细胞中的所有蛋白质视为网络中的节点，每一种可能的相互作用视为它们之间的一条连线。传统计算模型通常以较为静态的二元方式看待这个网络：蛋白质要么相互作用，要么不相互作用。而QGDM将相互作用视为随时间可变化的概率。为此，它借用了图论——用于分析网络的数学工具——并对这些工具进行扩展，使其能够处理更丰富、更具动态性的行为。

将量子行为引入生物学

QGDM的不同之处在于它从量子力学获得灵感——这是支配原子和亚原子粒子的理论。蛋白质并非僵硬不变的块体；它们不断摆动、扭转并改变形状。该模型将每个蛋白质表示为一片可能形态的云，而不是单一固定结构，类似于量子物理允许粒子处于叠加态。它还使用类似量子相关性的概念来捕捉网络中一处变化如何在遥远区域引起涟漪——这对于如别构调节（allostery）等微妙效应尤为重要，即在一个位点的结合影响远处的另一个位点。通过将这些特性内嵌到网络方程中，QGDM能够更好地反映真实生物系统的行为。

从理论到可用算法

为了将这些想法付诸实践，研究者设计了一个混合系统，将量子启发的计算与经典机器学习结合起来。首先，他们汇集了关于蛋白质的多层次信息：原子级力学、氨基酸的组成与结构、整体蛋白形状以及蛋白在更大细胞网络中的位置。这些特征被输入模型，模型使用特殊算子——从量子物理和微分几何中改编的数学规则——来模拟两种蛋白质随时间相互作用的概率。一个类量子优化步骤在众多可能的模型设定中进行搜索，而经典计算机负责引导搜索并评估性能。该设计旨在捕捉量子优势，同时兼容现有硬件。

超越现有工具并发现新生物学

研究团队在六个主要的蛋白互作数据库上测试了QGDM，包括STRING、BioGRID、IntAct、HIPPIE、DIP和MINT，这些数据库合计涵盖了数百万条已知或疑似相互作用。新模型在所有数据库上均优于十五种领先方法——从支持向量机等经典技术到现代图神经网络——在准确率、精确率和召回率方面均表现更好。在一个关键指标——准确率上，QGDM达到约96–97%，比现有最佳系统提高了约9–15个百分点。更重要的是，它不仅在理论上表现良好：它预测了1,247对此前未知的人类蛋白质相互作用，且后续实验室验证确认了其中90%以上。许多新发现的连接涉及癌症、脑疾病、代谢和免疫反应相关通路，模型还指出了数十个有前景的新药物靶点位点。

这对医学和未来意味着什么

对非专业读者而言，主要信息是：这项工作展示了量子物理的理念如何帮助我们更好地理解和控制生物学。通过将蛋白质视为复杂网络中灵活、概率性的参与者，QGDM方法揭示了早期工具遗漏的相互作用，并更清晰地描绘出信号和故障如何在细胞内传播。在短期内，这有助于加速新药和联合疗法的筛选，指引研究人员优先测试最有希望的蛋白配对。展望未来，随着量子计算硬件的改进，类似模型可能成为高度个性化医疗的基础——依据患者独特的蛋白互作网络来制定定制化治疗。简言之，研究认为解读生命分子对话的未来可能将明显带有量子色彩。

引用: Karthick, V., Alshammari, F.S., Jayasimman, I.P. et al. Quantum-augmented graph differential geometry enhances accuracy in protein-protein interaction prediction. Sci Rep 16, 8650 (2026). https://doi.org/10.1038/s41598-026-41325-5

关键词: 蛋白质-蛋白质相互作用, 量子生物学, 网络建模, 药物发现, 机器学习