Cleveland Clinic a IBM vytvořili Q-CHIPP: kvantová neuronová síť, která umí předpovědět imunitní odpověď na nádorové neoantigeny

Personalizovaná onkologie slibuje už řadu let, že každý pacient dostane léčbu „ušitou na míru" jeho vlastnímu nádoru. Skutečnost je ale tvrdohlavě výpočetní: rozpoznat, které z tisíců mutací na povrchu nádorové buňky skutečně vyvolají útok imunitního systému, je přesně ten typ problému, na který klasické metody dlouhodobě nestačí. V časopise Science Advances nyní vyšel článek týmu z Cleveland Clinic a IBM Research, který na problém útočí kvantovou konvoluční neuronovou sítí (QCNN). Framework se jmenuje Q-CHIPP (Quantum Convolutional HLA Immunogenic Peptide Prediction) a na 46 qubitech hardwaru IBM Quantum System One nasazeného přímo v areálu Cleveland Clinic dokázal v klinické validaci překonat klasické konvoluční sítě – ne o pár procent v akademickém benchmarku, ale v reálné kohortě 111 pacientů s nemalobuněčným karcinomem plic, kde dosáhl statisticky významně lepšího oddělení celkového přežití.

Proč je predikce neoantigenů tak těžká

Neoantigeny jsou abnormální krátké peptidy (řetězce aminokyselin), které nádorová buňka vystavuje na svém povrchu prostřednictvím molekul HLA (Human Leukocyte Antigen). Právě na ně reagují T-lymfocyty, které nádor skutečně rozpoznávají a ničí. Moderní imunoterapie – checkpoint inhibitory, individualizované nádorové vakcíny, adoptivní buněčná terapie – stojí a padá s tím, jestli dokážeme spolehlivě identifikovat, které mutace povedou ke vzniku takového rozpoznatelného peptidu.

Problém je, že jeden nádor může nést tisíce mutací a každá z nich může teoreticky vytvořit stovky kandidátních peptidů. Klinicky relevantní jsou ale jen ty, které splní současně dvě podmínky: (1) silně se navážou na HLA molekulu pacienta a (2) vzbudí rozpoznání T-buněčným receptorem (TCR). Oba děje jsou vysoce kontextové a řídí se drobnými detaily na klíčových pozicích peptidu (typicky 2, 4, 5, 9 pro vazbu na HLA; 3, 5, 6, 7 pro interakci s TCR). Tradiční nástroje jako NetMHCpan umí dobře predikovat vazbu na HLA, ale nerozliší, které z navázaných peptidů skutečně fungují v TCR rozpoznání. Přitom právě tento druhý krok rozhoduje o klinické odpovědi na léčbu.

Dat, na kterých by se dal učit komplexní model, je přitom zoufale málo: u řady vzácnějších nádorových typů jde jen o stovky experimentálně ověřených případů. Při takto malých tréninkových sadách klasické hluboké neuronové sítě snadno přeučí (overfit) na šum v datech a jejich predikce jsou pak v praxi nepoužitelné.

Q-CHIPP: dvě kvantové sítě v tandemu

Q-CHIPP řeší oba problémy – nedostatek dat i dvojí podmínku vazba + rozpoznání – návrhem dvou nezávislých kvantových konvolučních neuronových sítí, které se učí odděleně a jejichž výstupy se kombinují až na závěr.

• První QCNN-A predikuje vazbu peptidu na HLA a zaměřuje se na anchor-site aminokyseliny na pozicích 2, 4, 5 a 9 devítimístného peptidu.
• Druhá QCNN-T predikuje TCR rozpoznání a pracuje s contact-site aminokyselinami na pozicích 3, 5, 6 a 7.

Klíčový detail: druhá síť se trénuje výhradně na peptidech, u kterých již byla experimentálně potvrzena vazba na HLA. Tím se zabrání tomu, aby se do predikce TCR rozpoznání „promítaly" jen vazebné charakteristiky – učí se čistě ten druhý stav, který je klinicky rozhodující. Kandidát je klasifikován jako imunogenní neoantigen pouze tehdy, když obě kvantové sítě nezávisle vrátí pozitivní predikci.

Architektura sítí vychází z parametrizovaných kvantových obvodů (PQO) doplněných o konvoluční a poolingovou strukturu analogickou klasickým CNN. Autoři zvolili data-reuploading strategii, kdy se vstupní rysy „nahrávají" do qubitů opakovaně v několika vrstvách – efektivně tak zvyšují vyjadřovací sílu obvodu bez toho, aby museli přidávat další qubity. Kvantové obvody běží na IBM Quantum System One fyzicky umístěném v Cleveland Clinic, což umožňuje přímou integraci s klinickým pracovním postupem a zároveň chrání citlivá pacientská data.

Výsledky, které dávají smysl

Vědci Q-CHIPP validovali třemi způsoby, které dohromady dávají přesvědčivý obrázek.

Syntetický benchmark se stejným počtem parametrů. Při pevném počtu trénovatelných parametrů a malých trénovacích sadách (low-sample regime, kde mají kvantové modely teoreticky výhodu) dosáhla error-mitigovaná QCNN o 6 % vyšší klasifikační přesnosti než klasická konvoluční síť se stejnou parametrizací. Tento výsledek byl získán za použití standardních technik potlačení šumu na dnešním hlučném hardwaru – Pauli twirling, dynamické odpájení (dynamical decoupling) a controlled shot-based sampling až s 20 000 opakováními na jeden obvod.

Škálování na plnou délku 9-mer peptidu. Autoři úspěšně přenesli celý model na 46 qubitů IBM Quantum System One a modelovali plné 9-místné peptidy včetně všech fyzikálně realistických interakcí – tedy ne nějaký zjednodušený toy-problém, ale úlohu, která má přímý klinický význam. K tomu použili tzv. warm-start transfer protocol: váhy nejprve optimalizovali na kvantovém simulátoru (kde jsou výsledky přesné) a poté je jemně doladili na fyzickém QPU.

Klinická validace na 111 pacientech s rakovinou plic. Tým analyzoval kohortu 111 HLA-A*02:01-pozitivních pacientů s nemalobuněčným karcinomem plic léčených checkpoint inhibitory. Pro každého pacienta zpracoval 209 889 kandidátních peptidů kolem somatických mutací pomocí klouzavého okénka. Stratifikace pacientů podle Q-CHIPP predikovaného množství imunogenních neoantigenů vedla ke statisticky významnému oddělení v celkovém přežití (P = 0,0085), což je lepší výsledek než referenční klasický benchmark NetMHCpan (P = 0,0275). Ještě důležitější je, že Q-CHIPP identifikoval 25 542 unikátních kandidátních imunogenních peptidů, které klasické benchmarky zcela přehlédly, a to s typickou preferencí pro klíčové TCR-interakční pozice, což posiluje důvěryhodnost biologického signálu.

Co to znamená pro kvantové ML v medicíně

Q-CHIPP je důležitý hlavně ze tří metodologických důvodů, které přesahují samotnou onkologii.

Za prvé, jde o jeden z mála případů, kdy se kvantové ML prosadilo v reálném klinickém rozhodování a ne jen v akademickém benchmarku. Rozdíl mezi P = 0,0085 a P = 0,0275 je v medicíně podstatný – hovoříme o pacientech, kteří na základě takové stratifikace mohou nebo nemusí dostat konkrétní typ imunoterapie.

Za druhé, celý experiment běžel na dnešním hlučném (NISQ) hardwaru. Nepotřeboval plně opravené logické qubity ani miliony fyzických qubitů. Autoři dosáhli výsledku kombinací architektonické jednoduchosti (data-reuploading, pooling, klasický post-processing), technik potlačení šumu (Pauli twirling, dynamical decoupling, shot-based sampling) a chytrého transfer learningu mezi simulátorem a QPU. Tento vzor – malý, ale chytře navržený kvantový obvod běžící vedle klasického stacku – je pravděpodobně nejrealističtější cestou ke klinicky použitelným kvantovým aplikacím v příštích několika letech.

Za třetí, integrace IBM Quantum System One přímo v areálu Cleveland Clinic ukazuje, kam směřuje provozní model kvantového computingu ve zdravotnictví. Nejde o cloudové volání odněkud z Pensylvánie – kvantový procesor je doslova v budově nemocnice, obklopený klasickými servery zpracovávajícími klinická data, která by se jinak těžko „pouštěla ven" kvůli regulaci. Toto uspořádání je důležité i pro evropské debaty o datech a suverenitě: podobný model by se dal postavit i u nás, pokud by se kvantový hardware dostal do péče některého z velkých univerzitních medicínských center.

Otevřené otázky

Výsledek je působivý, ale je fér říct i to, co zatím nevíme.

• Velikost kohorty 111 pacientů je na medicínské poměry malá a týká se jednoho HLA allelu (A*02:01). Celá síla HLA systému spočívá v jeho obrovské diverzitě – predikce musí fungovat napříč populacemi. Rozšíření na další HLA alely a větší, multicentrické kohorty bude klíčové.
• NISQ hardwaru dneška se podařilo dosáhnout lepších výsledků než klasický model se stejným počtem parametrů, ale neporovnával se s mnohem větší klasickou sítí. Jak velký klasický model bychom potřebovali, aby Q-CHIPP přestal být lepší? Na tuto otázku zatím neexistuje definitivní odpověď – IBM i Algorithmiq v posledních měsících opakovaně ukazují, že i velké klasické simulátory nestačí, ale medicínský benchmark je specifický případ.
• 69 qubitů v plné délce je zatím špička toho, co lze stabilně provozovat. Cesta ke klinickému nasazení v reálném čase bude vyžadovat nejen škálování hardwaru, ale i certifikovaný software stack – auditovatelnost, reprodukovatelnost, verifikaci výstupů. Regulátoři (FDA, EMA) budou chtít vědět, jak si můžeme být jistí, že kvantová predikce je správná, zejména v případech, kdy jde o volbu mezi různými terapiemi.

Závěr

Q-CHIPP není „quantum advantage" ve smyslu, v jakém se toto slovo běžně používá v technických benchmarkech. Je to ale možná důležitější ukázka toho, k čemu kvantové strojové učení v dohledné době skutečně bude – ne k tomu, aby porazilo superpočítač v generickém výpočtu, ale aby pomohlo řešit úzký, vysoce specializovaný problém tam, kde malé tréninkové sady a kontextové nuance rozhodují o tom, jestli konkrétní pacient dostane správnou léčbu.

Pro českou a evropskou scénu je to signál, kam se vyplatí investovat pozornost: nejen do velkých kvantových systémů samotných, ale i do aplikací, kde dnes chybí data, kde je rozhodování kontextově citlivé a kde se chyba v predikci přímo promítá do klinického výsledku. Právě onkologie, vzácná onemocnění a personalizovaná medicína jsou pro tento profil ideální – a Cleveland Clinic + IBM právě ukázali, že na dnešním 46qubitovém hardwaru to jde.

Zdroje: Science Advances, DOI 10.1126/sciadv.aec3824; The Quantum Insider (30.7.2026); Quantum Computing Report (1.8.2026); Cleveland Clinic Lerner Research Institute.