Quantum-Enhanced Representation Learning for Drug–Target Interaction Prediction

Abstract

Drug–target interaction (DTI) prediction is a central problem in computational drug discovery, and classical deep-learning pipelines have largely plateaued on the standard benchmarks. This work asks a narrow, empirically decidable question: under matched parameter budgets and identical training protocols, do hybrid quantum–classical models outperform their classical counterparts, and is any advantage attributable to genuinely quantum structure? We embed a compact 8-qubit, 4-layer parameterised quantum circuit (PQC) between a graph isomorphism network (drug encoder) and a one-dimensional convolutional protein encoder, and evaluate it under a pre-registered protocol: a size-matched classical baseline, a mandatory entanglement-removal ablation, eight seeds, and the four-split (random, colddrug, cold-target, cold-pair) regime. On Davis the hybrid reaches a mean concordance index of 0.912 against 0.893 for the matched classical baseline (p < 10−3, Welch test), and 0.904 against 0.887 on KIBA, using roughly 146,000 parameters versus 1.05M (GraphDTA) and 3.1M (MolTrans). Removing entanglement returns performance to the classical baseline. The advantage attenuates on the cold splits and disappears on cold-pair and on an out-ofdistribution BindingDB test. Quantum-enhanced representation learning therefore occupies a defensible but narrow niche; the main contribution is an honest, reproducible benchmarking protocol with mandatory controls.***

La prédiction des interactions médicament–cible (DTI) est un problème central de la découverte de médicaments assistée par ordinateur, où les approches classiques d’apprentissage profond plafonnent sur les jeux de données de référence. Ce travail pose une question étroite et décidable empiriquement : à budget de paramètres égal et protocole d’entraînement identique, les modèles hybrides quantique–classique surpassent-ils leurs équivalents classiques, et un éventuel avantage est-il imputable à une structure réellement quantique ? Nous insérons un circuit quantique paramétré compact (8 qubits, 4 couches) entre un réseau d’isomorphisme de graphes (encodeur de la molécule) et un encodeur convolutif unidimensionnel de la protéine, puis nous l’évaluons selon un protocole pré-enregistré : une référence classique de taille appariée, une ablation obligatoire de l’intrication, huit graines aléatoires et les quatre partitions (aléatoire, cold-drug, cold-target, cold-pair). Sur Davis, le modèle hybride atteint un indice de concordance moyen de 0,912 contre 0,893 pour la référence classique appariée (p < 10−3, test de Welch), et 0,904 contre 0,887 sur KIBA, avec environ 146 000 paramètres contre 1,05 M (GraphDTA) et 3,1 M (MolTrans). La suppression de l’intrication ramène les performances au niveau de la référence classique. L’avantage s’atténue sur les partitions froides et disparaît sur cold-pair ainsi que sur un test hors-distribution (BindingDB). L’apprentissage de représentations renforcé par le quantique occupe donc une niche défendable mais étroite ; la contribution principale est un protocole d’évaluation honnête et reproductible