Τίτλος
Κβαντική Μηχανική Μάθηση στην Ανακάλυψη Φαρμάκων
Περίληψη
Τα φάρμακα δρουν μέσω αλληλεπίδρασης με πρωτεΐνες-στόχους, ρυθμίζοντας βιολογικές λειτουργίες με στόχο την πρόληψη και την αντιμετώπιση ασθενειών. Ωστόσο, η ανάπτυξη ενός νέου φαρμάκου είναι δαπανηρή, διαρκεί συχνά πάνω από μια δεκαετία και χαρακτηρίζεται από πολύ υψηλά ποσοστά αποτυχίας. Η μηχανική και η βαθιά μάθηση έχουν συμβάλει σημαντικά στη βελτίωση της διαδικασίας. Παραμένουν όμως πολύπλοκες και απαιτούν μεγάλους όγκους ποιοτικών δεδομένων και σημαντική υπολογιστική ισχύ. Επιπλέον, δυσκολεύονται να περιγράψουν με ακρίβεια τις αλληλεπιδράσεις σε μοριακό και κβαντικό επίπεδο.
Η κβαντική υπολογιστική αξιοποιεί φαινόμενα όπως η υπέρθεση και η διεμπλοκή. Έτσι ανοίγει νέες δυνατότητες για την επεξεργασία πολύπλοκης πληροφορίας και την προσομοίωση μοριακών συστημάτων. Από τον συνδυασμό της με τη μηχανική μάθηση προκύπτει το ταχέως αναπτυσσόμενο πεδίο της κβαντικής μηχανικής μάθησης. Το πεδίο αυτό προτείνεται ως υποσχόμενη λύση για τη μείωση του κόστους και του χρόνου ανάπτυξης φαρμάκων.
Παρουσιάζονται οι βασικές αρχές της κβαντικής υπολογιστικής και της κβαντικής μηχανικής μάθησης, καθώς και οι περιορισμοί των σημερινών θορυβωδών κβαντικών συσκευών ενδιάμεσης κλίμακας (NISQ). Εξετάζονται οι υβριδικές κβαντο-κλασικές προσεγγίσεις, που συνδυάζουν κλασική και κβαντική επεξεργασία για να ξεπεραστούν οι περιορισμοί του υλικού, και οι εφαρμογές τους στα διάφορα στάδια της ανακάλυψης φαρμάκων. Ιδιαίτερη αναφορά γίνεται στην πρόβλεψη της συγγένειας πρόσδεσης φαρμάκου–πρωτεΐνης, ως χαρακτηριστικό παράδειγμα της ερευνητικής δραστηριότητας του Τμήματος Ψηφιακών Συστημάτων του Πανεπιστημίου Θεσσαλίας. Συζητούνται επίσης κρίσιμα ζητήματα, όπως η αναπαράσταση και η κβαντική κωδικοποίηση των δεδομένων και η αξιόπιστη συγκριτική αξιολόγηση κλασικών και κβαντικών μοντέλων.
Τέλος, αναλύονται οι προοπτικές του πεδίου, το αυξανόμενο ενδιαφέρον της φαρμακοβιομηχανίας και οι μελλοντικές ερευνητικές κατευθύνσεις. Κεντρικό ερώτημα παραμένει η ύπαρξη και η αξιοποίηση του κβαντικού πλεονεκτήματος σε πραγματικά προβλήματα των βιοεπιστημών.
Βιογραφικό
Η Μαρία Αβραμούλη είναι μέλος Εργαστηριακού Διδακτικού Προσωπικού (ΕΔΙΠ) στο Τμήμα Ψηφιακών Συστημάτων του Πανεπιστημίου Θεσσαλίας. Είναι διπλωματούχος Μηχανικός Ηλεκτρονικών Υπολογιστών και Πληροφορικής της Πολυτεχνικής Σχολής του Πανεπιστημίου Πατρών, κάτοχος μεταπτυχιακού διπλώματος στα Πληροφοριακά και Επικοινωνιακά Συστήματα από το Ανοικτό Πανεπιστήμιο Κύπρου και διδακτορικού διπλώματος με αντικείμενο την Κβαντική Μηχανική Μάθηση (Quantum Machine Learning). Διαθέτει πολυετή επαγγελματική, διδακτική και ερευνητική εμπειρία στους τομείς της ανάπτυξης λογισμικού, της μηχανικής μάθησης και των κβαντικών υπολογιστικών μεθόδων, έχοντας εργαστεί ως μηχανικός λογισμικού και ως εκπαιδευτικός στη δευτεροβάθμια εκπαίδευση. Διαθέτει ισχυρό τεχνικό υπόβαθρο σε Python, C/C++, Java, PHP και JavaScript, καθώς και σε σύγχρονα πλαίσια κβαντικού προγραμματισμού και μηχανικής μάθησης, όπως PennyLane, Qiskit και PyTorch. Τα ερευνητικά της ενδιαφέροντα επικεντρώνονται στην Κβαντική και Κλασική Μηχανική Μάθηση, στην ανάπτυξη υβριδικών κβαντικών–κλασικών μοντέλων και στις εφαρμογές τους, με ιδιαίτερη έμφαση στην ανακάλυψη φαρμάκων και την υπολογιστική βιοϊατρική έρευνα. Έχει συμμετάσχει σε ερευνητικά έργα χρηματοδοτούμενα από την Ευρωπαϊκή Ένωση, έχει δημοσιεύσει ερευνητικές εργασίες σε επιστημονικά περιοδικά και συνέδρια και συμμετέχει ως κριτής και μέλος επιστημονικών/τεχνικών επιτροπών διεθνών συνεδρίων.