Квантовые вычисление (Quantum computing; QC) – это принципиально иной вычислительный подход, основанный на законах квантовой механики, который позволяет выполнять определённые вычисления намного быстрее и эффективнее, чем традиционные вычисления, и поэтому имеет огромный потенциал для фармацевтической промышленности. Признавая, что этот подход меняет правила игры, ведущие фармацевтические компании создают квантовые рабочие группы и инвестируют значительные суммы в исследование применения квантовых компьютеров и программного обеспечения в химии и биологии.

Анна Катарина Хейд (Anna Katharina Heid) и Иван Остойич (Ivan Ostojic) из McKinsey попросили Чада Эдвардса (Chad Edwards), руководителя отдела продуктов в Cambridge Quantum Computing (CQC), и Лукаса Сиоу (Lucas Siow), генерального директора и соучредителя биотехнологической компании ProteinQure, поделиться своими взглядами на то, как такие специализированные стартапы, как их, работают с фармацевтическими компаниями.

McKinsey: Какие возможности квантовых вычислений лучше всего подходят для решения задач в фармацевтической промышленности?

Чад Эдвардс: В процессе компьютерного дизайна лекарств (computer-aided drug-design; CADD) повышение точности молекулярного моделирования влечёт за собой резкое экспоненциальное увеличение вычислительных затрат. Квантовые вычисления могут изменить наше представление о моделировании твёрдых тел, молекул, атомов, ядер и субатомных частиц. Это могло бы помочь преодолеть ограничения масштабирования классических вычислительных методов и позволить выполнять численно точные решения уравнения Шредингера для больших и более сложных молекулярных систем.

По мере того, как квантовое оборудование продолжает развиваться как в отношении качества квантовых битов (кубитов), так и количества, и квантового объёма, мы ожидаем, что квантовые вычисления повлияют на все фазы конвейера разработки лекарств. До появления отказоустойчивых квантовых устройств ещё не менее десяти лет, но «шумные» квантовые компьютеры промежуточного масштаба [Noisy intermediate-scale quantum; NISQ] и вариационные алгоритмы позволяют на раннем этапе внедрить и коммерциализировать квантовую химию и квантовое машинное обучение [Quantum machine learning; QML], что позволяет фармацевтическим компаниям быть одним из самых больших бенефициаров этой технологии.

Лукас Сиоу: Мы в ProteinQure верим, что квантовые вычисления будут применимы ко многим рабочим процессам в области компьютерного поиска лекарств. В настоящее время мы сосредоточены на молекулярном сходстве, предсказании структуры белка и дизайне белка, но контроль качества также будет иметь отношение к квантовой химии, моделям QSAR [Поиск количественных соотношений структура-свойство; Quantitative structure–activity relationship; QSAR] и стыковке молекул. Большинство наших ближайших приложений связано с переосмыслением проблем в открытии лекарств как с проблемами минимизации энергии и использованием квантовых устройств для решения вычислительных узких мест. Используемые алгоритмы обычно представляют собой квантово-классические гибриды.

McKinsey: Где квантовые вычисления принесут наибольшую пользу фармацевтическим компаниям?

Чад Эдвардс: Сегодняшний процесс открытия и разработки лекарств, как известно, дорог и неэффективен по времени – новому химическому веществу требуется в среднем около 2 миллиардов долларов и десять лет, чтобы выйти на рынок. В то время как классические технологии машинного обучения уже начинают давать большие надежды в плане сокращения времени и затрат на вывод на рынок, квантовая обработка может поистине революционизировать процесс. Когда квантовые вычисления станут достаточно зрелыми, мы, вероятно, увидим, что наибольшая ценность реализуется на доклинических и клинических этапах, где частота отказов в настоящее время превышает 90 процентов.

Лукас Сиоу: Мы надеемся, что в долгосрочной перспективе квантовые вычисления предоставят вычислительные инструменты для создания антител. Рынок крупных белков, в основном в форме терапевтических антител, составляет около 200 миллиардов долларов. Этот рынок был создан 30 или 40 лет назад с развитием новых экспериментальных методик, которые позволили делать терапевтические препараты из антител. Если бы существовал отличный вычислительный инструмент для конструирования и разработки антител, он помог бы создать ещё один набор новых структур антител для воздействия на недосягаемые цели.

McKinsey: Как вы подходите к интеграции квантовых технологий с классическими вычислениями для удовлетворения потребностей фармацевтических компаний?

Чад Эдвардс: В настоящее время вся наша работа сосредоточена на вариационных квантовых / классических алгоритмах, которые хорошо подходят для «шумных» квантовых компьютеров промежуточного масштаба, доступных сегодня, и позволяют нам использовать лучшее из классических и современных квантовых компьютеров в мире. Что касается будущего, мы можем предвидеть время, когда фармацевтическая компания или любая другая компания в этом отношении рассмотрит проблему, а затем изучит свой набор инструментов – центральный процессор (ЦП), программируемая логическая интегральная схема (ПЛИС), графический процессор (ГП), и квантовый процессор (КП), чтобы решить, какие инструмент или комбинация инструментов лучше всего подходят для её решения. Интеграция происходит естественным образом, поскольку мы используем наш опыт в области высокопроизводительных вычислений и компьютерной архитектуры, чтобы выработать стратегию решения проблемы, используя преимущества различных архитектур.

Лукас Сиоу: Наша работа в ProteinQure сосредоточена на разработке и оптимизации белковых терапевтических средств, и мы вложили значительные средства в классические алгоритмы и подходы. Наши инструменты работают с классическими облачными вычислениями, масштабируемыми до тысяч процессоров и графических процессоров. Квантовые устройства, доступные сегодня, ещё не готовы к добавлению ценности, поэтому ProteinQure построил автоматизированную платформу, где контроль качества можно комбинировать со многими другими вычислительными инструментами для решения коммерческих задач. Мы считаем, что гибридные алгоритмы и подходы, вероятно, станут актуальными в ближайшее время. Когда «шумные» квантовые компьютеры промежуточного масштаба будут готовы, они станут ещё одним вычислительным модулем, который будет включён, точно так же, как мы сегодня объединяем вычислительные модули в облаке.

McKinsey: Насколько велик технологический разрыв, который придётся преодолеть фармацевтическим компаниям, чтобы интегрировать квантовые вычисления в свою деятельность?

Чад Эдвардс: Текущий технологический разрыв довольно велик, поскольку стандартные квантовые инструменты ещё не доступны для применения неспециалистами. Основная задача для фармацевтической промышленности – начать рассматривать проблемы с квантового подхода и понимать, где можно применять квантовые алгоритмы. Сегодня отрасль исходит из того, что лучший ответ на любую проблему можно найти, используя классические методы и инструменты, и нам необходимо изменить это предположение. Роль стартапов и компаний, занимающихся квантовыми вычислениями, заключается в том, чтобы помочь и ускорить это. Однако я предвижу, что этот пробел быстро сократится, так как мы наблюдаем быстрое внедрение в фармацевтической отрасли, которое, по прогнозам, к 2021 году достигнет 60-70 %.

McKinsey: Как стартапы связываются с фармацевтическими компаниями по поводу применения контроля качества и кто играет ведущую роль в выявлении спроса и сопоставлении предложений?

Чад Эдвардс: Вкратце, я бы сказал, что существует прямой и косвенный путь к обеспечению сотрудничества между стартапами QC и фармацевтическими игроками. Прямой маршрут предполагает, что две организации объединяют свои знания в соответствующей области для работы над вариантами использования, представляющими взаимный интерес и потенциальными для значительного поколения микросхем. Второй и более непрямой путь – это через отраслевые консорциумы и некоммерческие организации, такие как Pistoia Alliance и QuPharm Alliance, которые способствуют предконкурентному взаимодействию между фармацевтическими игроками и квантовым сообществом. В любом случае, участники QC обязаны удовлетворять потребности фармацевтических игроков и обеспечивать, чтобы инструменты QC дополняли установленные фармацевтические рабочие процессы.

Лукас Сиоу: Мы, стартапы, занимающиеся контролем качества, должны уважать рабочие процессы по поиску лекарств, которые фармацевтические компании разрабатывали на протяжении многих лет. Наша обязанность как поставщика решений – создавать инструменты, отвечающие требованиям клиентов. Творческие партнёры играют важную роль, помогая нам определять новые способы использования наших возможностей для решения проблем, связанных с открытием новых лекарств. Мы приобрели компетенции в области программного обеспечения, биологии и открытия лекарств, а также поговорили с основными игроками в области биологии, чтобы убедиться, что мы не просто создаём новые технологии, но и создаём инструменты, которые помогают решать проблемы, с которыми сегодня сталкивается фармацевтика, например, работая над ненатуральными аминокислотами или прямой доставки биологически активных веществ в клетки.

McKinsey: Что необходимо фармацевтической компании для работы со стартапами по контролю качества? Есть ли проблемы, например, с доступностью данных или опытом в приложениях для высокопроизводительных вычислений?

Чад Эдвардс: В настоящее время мы работаем со специалистами по обработке данных и группами, занимающимися исследованиями, информатикой и моделированием, чтобы выявлять и решать наиболее важные для их компаний варианты использования. Мы не ожидаем, что у всех наших клиентов есть теоретики квантовой информации; на данном этапе это было бы нереально. Мы работаем с этими группами, чтобы уменьшить препятствия на пути к внедрению и дать возможность командам использовать наше программное обеспечение, чтобы задействовать возможности уже имеющихся устройств с целью беспрепятственной интеграции приложений контроля качества в существующие рабочие процессы.

Работа со стартапом даёт фармацевтическим компаниям лучший способ привнести опыт контроля качества в свои команды и продвинуться вперёд с более низким риском внедрения. Учитывая нехватку опыта, инструментов и оборудования в области контроля качества в ближайшие годы, я ожидаю, что эта модель партнёрства будет доминировать в течение некоторого времени. Некоторое количество фармацевтических компаний в настоящее время объединяет одного или двух теоретиков квантовой информации в свои команды, но большинство будет продолжать обращаться к внешним поставщикам за ключевыми знаниями и наборами инструментов.

Лукас Сиоу: Во многих наших партнёрствах наши сотрудники привносят экспериментальный и предметный опыт в открытие биологических препаратов. Возможность генерировать данные и синтезировать новые химические процессы помогает им максимально эффективно использовать наши инструменты, потому что у нас нет таких возможностей. Нам не нужны большие объёмы данных, опыт машинного обучения или высокопроизводительных вычислений. Созданная нами платформа не требует от наших партнёров дублирования наших сильных сторон, а, скорее, позволяет им воспользоваться своим собственным опытом. Например, некоторые из наших партнёров обладают уникальными способностями в определённых видах синтетической химии. Вычислительные инструменты могут помочь им исследовать это новое пространство.

McKinsey: Как вы посоветуете фармацевтическим компаниям подходить к квантовым вычислениям с точки зрения наращивания потенциала, технологической инфраструктуры и партнёрских отношений?

Чад Эдвардс: Первый шаг – признать, что квантовые вычисления приходят и станут силой в отрасли. Следующий шаг – получить образование: пойти на конференции, поговорить со стартапом или поэкспериментировать с платформами облачных квантовых вычислений. Исходя из этого, мы считаем, что компания должна составить план внедрения технологии – план, который включает наращивание потенциала и партнёрские отношения как с академическими кругами, так и с промышленностью. Сегодняшняя технологическая инфраструктура преимущественно основана на облаке, что приемлемо для большинства пользователей.

Лукас Сиоу: Большинству фармацевтических компаний придётся решить, брать ли им партнёра или создавать собственные возможности контроля качества. Внутреннее развитие этих навыков станет проблемой, сравнимой с освоением возможностей искусственного интеллекта мирового класса. Я ожидаю, что крупные фармацевтические компании начнут процесс партнёрства с понимания того, какие проблемы в открытии лекарств имеют большое значение и могут быть решены с помощью вычислительных методов. Затем они могли участвовать в научных беседах с потенциальными партнёрами, будь то учёные или стартапы. Этот этап, вероятно, займёт год или два.

Затем фармацевтические компании потратят ещё пару лет на работу со своими партнёрами, чтобы понять, можно ли перенести выявленные ими проблемы в систему контроля качества и создать внутренние команды с экспертами по контролю качества или найти внешних партнёров, которые могут принести пользу. В долгосрочной перспективе компании начнут понимать предложения оборудования, как локального, так и облачного.

McKinsey: Многие игроки QC намереваются развернуть свои предложения через облако. Создаёт ли это какие-либо регуляторные проблемы для фармацевтической промышленности?

Чад Эдвардс: Во многих странах есть законы, регулирующие использование данных о пациентах в облаке и где это облако находится. Эти законы необходимо будет рассмотреть, поскольку квантовые вычисления станут мейнстримом. Другой вопрос – безопасность. По мере роста возможностей квантового оборудования текущие меры безопасности данных будут нарушены или серьёзно скомпрометированы, поэтому каждой компании необходимо будет перейти на уровень ИТ-безопасности, способный противостоять квантовым технологиям.

Лукас Сиоу: Могут возникнуть нормативные проблемы, если отрасли потребуется начать использовать квантовое машинное обучение для данных о пациентах. Но для наших целей в ProteinQure, где мы моделируем физические явления, нам подойдёт облачное предложение.

McKinsey: Какие варианты использования квантовых вычислений будут у фармацевтических компаний как в ближайшем будущем, так и в будущем?

Чад Эдвардс: Я предвижу наиболее ценные варианты использования в ближайшем будущем, от трёх до пяти лет, связанные с процессом CADD, например, изучение связывания белок-лиганд или моделирование механизмов действия лекарств. В последние годы теория функционала плотности (density functional theory; DFT) играет ключевую роль в разработке лекарств как квантово-механический метод, который может быть применён к химически и биологически значимым молекулярным системам с довольно низкими вычислительными затратами. Я не ожидаю, что химия контроля качества вытеснит или будет конкурировать с DFT в этом контексте, а скорее дополнит её в работе с более крупными и более сложными системами с более высокими уровнями точности, чем достижимые в настоящее время. По мере развития технологии я ожидал увидеть неразрешимые проблемы, которые будут решаться дальше по конвейеру разработки лекарств – те, которые связаны с увеличением расходов, доклинических и других, с использованием крупномасштабной квантовой химии и методов QML.

Лукас Сиоу: Через три-пять лет я ожидаю увидеть гибридные алгоритмы для проектирования белков, предсказания структуры и квантовую ценность для задач предсказания, таких как QSAR. Через пять-восемь лет я ожидал бы квантовую химию и QML, а через восемь лет или около того – моделирование более крупных биологических систем. Я думаю, что в целом мы часто переоцениваем то, что может быть достигнуто в краткосрочной перспективе, но недооцениваем изменения, которые могут произойти в среднесрочной и долгосрочной перспективе.

McKinsey: Какие технологические и экономические скачки необходимы для того, чтобы квантовые вычисления стали успешными в фармацевтической промышленности?

Чад Эдвардс: Несмотря на огромный прогресс в области аппаратного обеспечения, всё ещё существует множество серьёзных узких мест в разработке и масштабировании кубитов более высокого качества. Игроки квантового программного обеспечения, которые сосредоточены на извлечении максимальной выгоды из современных процессоров, разработали умные решения для работы с «шумом». Эти улучшенные и более устойчивые к «шуму» алгоритмы начинают получать более широкое распространение и оказывать влияние. По мере более тесного сотрудничества фармацевтических компаний и компаний, занимающихся контролем качества, мы увидим большую креативность, позволяющую разрабатывать решения.

ОБ АВТОРАХ

Анна Катарина Хейд – консультант в цюрихском офисе McKinsey, партнёром которого является Иван Остойич.

Чад Эдвардс – руководитель отдела продуктов в Cambridge Quantum Computing, а Лукас Сиоу – генеральный директор и соучредитель биотехнологической компании ProteinQure.

Источник: https://www.mckinsey.com/