De byggde banbrytande läkemedelsteknik på helgerna – med ihopsparade projektmedel och en kvantdator

När kvantfysik möter generativ AI i läkemedelsdesign

Det finns något nästan ironiskt i att ett av de mer spännande rönen inom AI-driven läkemedelsutveckling uppstod som ett helgprojekt. Enligt Wired var det precis så det gick till för forskarlaget vid Danmarks Tekniska Universitet (DTU): ingen stor anslagsgivare i ryggen, ingen flerårig projektplan – bara en nyfiken forskargrupp, ihopsparade medel och tillgång till en kvantdator från det brittiska uppstartsföretaget ORCA Computing.

Resultatet är svårt att avfärda.

Vad de faktiskt byggde

Lagets mål var att generera peptider – korta kedjor av aminosyror – som kan binda till specifika proteiner i kroppen. Det låter tekniskt, men konsekvenserna är konkreta: sådana peptider är grundläggande byggstenar i vacciner och immunterapi. Att hitta rätt peptid för ett givet protein är ett kombinatoriskt maratonlopp; antalet möjliga sekvenser är astronomiskt stort.

För att angripa problemet kombinerade laget sin befintliga AI-modell för proteinförutsägelse med ORCA:s hybridarkitektur, som kopplar samman kvantprocessorer med klassisk datorkraft. Kärnan i kvantdatorns bidrag handlar om hur den hanterar slumpmässighet och variation. En klassisk AI-modell tenderar att konvergera mot de mest sannolika lösningarna – ungefär som en stavningskontroll som alltid väljer det vanligaste ordet. Kvantmekaniska egenskaper tillåter en bredare och mer nyanserad utforskning av lösningsrummet.

Inspirationen kom från ett oväntat håll: forskargruppen hade noterat att kvantberäkning förbättrade mångfalden i bildgenerering. Tanken var elegant – om tekniken kunde bredda kreativiteten i bilder, kanske den kunde göra detsamma för molekyler?

Skeptikern som övertygades av sina egna data

DTU-professorn Timothy Patrick Jenkins, som ledde projektet, är öppen med att han länge var djupt skeptisk. Han trodde att kvantdatorer låg decennier bort från praktisk tillämpning – en uppfattning som delas av många inom branschen. Det gör berättelsen än mer övertygande: det är inte en kvantentusiast som rapporterar framgång, utan en tvivlare vars egna experiment ändrade hans uppfattning.

Resultaten visade att kvantmodellen genererade fler framgångsrika peptider än den klassiska motsvarigheten. Effekten var störst i scenarier med knapp träningsdata – vilket är ett välkänt och frustrerande problem inom läkemedelsforskning. Många sjukdomar och biologiska mål saknar stora, välstrukturerade datamängder, vilket begränsar vad traditionella AI-modeller kan åstadkomma.

Varför traditionell finansiering inte räcker

Att projektet genomfördes på fritiden är inte en kuriositet – det är ett symptom på ett strukturellt problem. Jenkins konstaterar att de mest nyskapande forskningsprojekten ofta är för riskfyllda för traditionella anslagsgivare. Forskningsstiftelser, oavsett hur välmenande, tenderar att belöna inkrementella framsteg och beprövade metoder. Genuint gränsöverskridande arbete – som att kombinera två omogna teknologier utan garanterade resultat – faller lätt mellan stolarna.

Det är värt att påminna sig om att detta mönster är välbekant inom teknikhistorien. Många av de senaste decenniernas viktigaste genombrott har börjat som sidoprojekt, nattliga experiment eller underskattat grundforskningsarbete innan de förvandlats till miljardindustrier.

En pusselbit i ett större landskap

Det vore naivt att läsa detta enstaka resultat som bevis på att kvantdatorernas guldålder är här. Tekniken är fortfarande känslig, kostsam och svårskalbar. Men DTU-lagets arbete är ändå betydelsefullt av en specifik anledning: det är ett av de första konkreta exemplen på att kvantberäkning kan förstärka generativ AI i en verklig, medicinsk tillämpning – inte bara i kontrollerade benchmarktester.

För den som följt AI-utvecklingen inom läkemedel de senaste åren vet att modeller som AlphaFold redan revolutionerat proteinstrukturförutsägelse. Nästa front handlar om att inte bara förutsäga strukturer utan att designa nya molekyler med önskade egenskaper. Det är där kvantförstärkt generativ AI kan visa sin styrka.