Perpustakaan Digital ITB

Prediksi protein-ligand binding affinity (BA) merupakan tahap awal yang penting dalam alur drug discovery. BA menyatakan seberapa kuat sebuah ligan menempel pada protein target yang dinyatakan dalam satuan pK. Metode quantum machine learning untuk persoalan ini umumnya memakai quantum encoding generik, yaitu angle, dense-angle, atau amplitude encoding, yang memperlakukan vektor fitur protein-ligan sebagai vektor angka biasa tanpa mempertahankan makna fisis interaksi atomik pada parameter gerbang. Tugas akhir ini menghasilkan Physics- Informed Lennard-Jones Coulomb Encoding (PI-LJC), yaitu quantum encoding yang sudut rotasinya diparameterisasi langsung oleh potensial Lennard-Jones dan suku Coulomb tersaring dari pasangan atom antarmolekul. Seluruh pasangan atom pada binding pocket diagregasi ke dalam 8 kulit jarak konsentris dengan 3 kanal per kulit, menghasilkan 24 nilai yang dipetakan ke 8 qubit, sehingga satu qubit merepresentasikan satu wilayah ruang dan satu sumbu rotasi merepresentasikan satu jenis besaran fisis. Energi Lennard-Jones teragregasi per kulit dinormalisasi ke rentang sudut lalu dikenakan sebagai rotasi Rx, energi Coulomb tersaring teragregasi sebagai rotasi Ry, dan jumlah kontak per kulit setelah transformasi logaritmik sebagai rotasi Rz. PI-LJC dipasangkan dengan Variational Quantum Regression berparameter 72 dan dievaluasi pada PDBbind melalui core 2016 sebagai uji in-distribution serta Test105 dan Test71 sebagai uji out-of-distribution. Analisis memetakan 5 titik penyisipan informasi fisis pada alur QML dan menurunkan 7 kebutuhan rancangan yang direalisasikan sebagai tujuh konfigurasi eksperimen terkontrol, dilengkapi ablation atas 6 keputusan desain serta pelaporan berpasangan yang menyertakan ukuran efek dan selang kepercayaan. Pada fitur masukan setara, PI-LJC menaikkan korelasi jarak fisis terhadap jarak keadaan kuantum dari 0,34 menjadi 0,82 dan quantum kernel alignment dari 0,21 menjadi 0,47, serta menurunkan generalization gap pada Test71 dari 0,22 menjadi 0,14 dengan Cohen's d sebesar 1,6. Dengan tiga seed, perbedaan tersebut belum dapat diuji signifikansinya secara memadai. PI-LJC juga tidak mengungguli baseline klasik pada data in-distribution, sehingga hasil ini memposisikan physics-informed quantum encoding sebagai arah yang menjanjikan sekaligus menegaskan batasnya sebagai studi awal dua komponen fisis pada simulator.