曾坚阳研究组与合作团队通过老药新用、药物重定位方法，从已经获得批准的老药中挖掘其新的用途，成功发现可能有效治疗COVID-19的潜在药物。一般的药物开发通常需要近十年的时间，而由于老药在人体内的安全性已经得到验证，对其进行药物重定位可以大大缩短药物开发的周期。
曾坚阳研究组与合作团队开发了一套药物重定位框架，通过整合机器学习和统计分析等方法，系统地集成并挖掘大规模知识图谱、文献和转录组数据，从老药中寻找新冠病毒的候选药物。使用以往SARS和MERS冠状病毒数据进行的回顾性研究表明，基于机器学习的药物重定位方法可以成功预测针对特定冠状病毒的有效候选药物。结合一系列生物湿实验验证，该计算框架发现聚ADP-核糖聚合酶1（PARP1）抑制剂CVL218可能是一个治疗COVID-19的有效药物。体外细胞实验表明，CVL218能够有效抑制SARS-CoV-2病毒的复制，没有明显的细胞毒性。同时，和另一个抗病毒药物法匹拉韦（favipiravir）的联合用药能够进一步提高CVL218对病毒的抑制功效。此外，表面等离子体共振（SPR）实验表明，和同时测定的其它PARP1抑制剂或抗病毒药物相比，CVL218能够以更高的亲和力与SARS-CoV-2病毒的核衣壳蛋白（N蛋白）相互作用。进一步的分子对接（molecular docking）计算模拟结果显示，CVL218有可能结合在SARS-CoV-2病毒N蛋白的N端结构域（N-terminal domain）上，为CVL218的抗病毒机制提供了一种可能的解释。另外，实验发现CVL218能够在人外周血单核细胞（PBMC）样本中抑制由脂多糖（LPS）诱导的炎症细胞因子含量升高，表明该药物还可能在减轻SARS-CoV-2诱导的过度炎症反应和组织损伤中发挥抗炎作用。在老鼠和猴子体内的药代动力学和毒理学实验表明，CVL218在肺组织中浓度很高，并且没有明显的毒性迹象，表明该药物具有治疗新冠肺炎的潜力。基于本研究中的数据和先前文献中报道的证据，研究团队还提出了几种可能的机制来解释CVL218用于治疗COVID-19的潜在作用机理。综合而言，团队开发的药物重定位框架发现的PARP1抑制剂CVL218可能成为治疗COVID-19的潜在有效治疗药物。
PARP1在DNA损伤修复过程中起着重要的作用，是近年来癌症治疗中的重要靶标之一。此前的研究表明，PARP1抑制剂在病毒复制过程中会妨碍病毒核衣壳蛋白和RNA的组装，同时在调控促炎症因子的表达上也起着关键作用。CVL218（又名盐酸美呋哌瑞）是一种PARP1抑制剂，目前已进入临床I / II期试验阶段，由中科院上海药物所和甫康（上海）健康科技有限责任公司开发。该成果研究论：Yiyue Ge, Tingzhong Tian, Suling Huang, Fangping Wan, Jingxin Li, Shuya Li, Hui Yang, Lixiang Hong, Nian Wu, Enming Yuan, Lili Cheng, Yipin Lei, Hantao Shu, Xiaolong Feng, Ziyuan Jiang, Ying Chi, Xiling Guo, Lunbiao Cui, Liang Xiao, Zeng Li, Chunhao Yang, Zehong Miao, Haidong Tang, Ligong Chen, Hainian Zeng, Dan Zhao, Fengcai Zhu, Xiaokun Shen, Jianyang Zeng. “An integrative drug repositioning framework discovered a potential therapeutic agent targeting COVID-19”, bioRxiv.
黄隆波研究组：在强化学习中，智能体通过与未知的环境交互来学习最大化长期奖励的最优策略。对于强化学习算法而言，尤其是对于on-policy算法，一个困难的问题在于智能体可能缺乏高效的探索能力。之前的探索方法一般需要依赖于复杂的结构来估计状态的新颖性，或者对超参数敏感，会导致性能不稳定。黄隆波研究组提出一种高效的探索方法，多路策略优化(Multi-Path Policy Optimization, MPPO)算法， 不会带来较高的计算开销，同时能够保证稳定性。 MPPO 算法维护了一个高效的探索机制——利用一个多样化的策略种群来提升探索能力，在奖励信号稀疏的环境中尤为有效。同时，该方法在理论上有稳定的性能保证。该研究组将MPPO算法应用于两类广泛使用的on-policy方法——TRPO算法和PPO算法，并在若干个传统的以及稀疏化奖励信号的MuJoCo平台上进行了充分的实验验证。实验结果表明MPPO能够在采样效率以及最终性能上表现优于目前的方法。 该研究成果论文:Ling Pan, Qingpeng Cai, Longbo Huang. “Multi-Path Policy Optimization”, AAMAS 2020.
李建研究组重点关注学习算法的稳定性。强化学习算法的稳定性是强化学习方法在实际应用中面临的一个重要问题。对于连续控制优化问题，一类常见的做法如下:对于任意一个状态，策略输出一个行动分布，然后再从该分布中采样得到需要采取的行动;算法通过迭代地收集样本和优化策略来学习得到一个好的策略。在该工作中，李建研究组发现现有的一些常见算法在逐渐收敛到确定性策略的过程中会产生较大的梯度， 从而影响了训练过程中的稳定性。为了解决该稳定性问题，研究组提出了目标分布学习(TDL)方法用于强化学习中的连续控制优化问题。该方法通过迭代优化的方 式来进行策略学习。在每一轮迭代中，该方法先根据按当前策略采样得到的样本来计算得到一个目标行动分布，再通过优化策略神经网络来逼近该分布。该方法在稳定性方面具有以下两方面的优势:其一是该方法能够有效地限定每一轮迭代中策略的变化，从而使得训练的过程变得更加稳定;其二是在每一轮迭代的优化步中，神经网络针对一个固定的目标来做优化，因此该步骤的优化效果受优化参数的影响更小，从而使得整个算法更加稳定。在Mujoco中的连续控制任务上，该算法的性能都接近或者超过了现有最优的算法。同时，相比于现有的一些方法，该算法在训练过程中的表现更为稳定，对于超参数也更为鲁棒。该成果研究论文:Chuheng Zhang, Yuanqi Li, Jian Li. "Policy Search by Target Distribution Learning for Continuous Control"，AAAI 2020.
段路明教授研究组与徐勇助理教授合作，在基于钠原子的玻色爱因斯坦凝聚体中，首次观测到与多体激发态相对应的动力学量子相变。相变是广泛存在于宏观物质中的现象。调节系统参数跨过相变点，物质从一种相转变成另一种相，即为相变，例如水在固液气三态之间随着温度变化的转变。在接近绝对零度时，量子效应占据主导作用，此时的相变称为量子相变。它又可分为基态量子相变与激发态量子相变。区别在于前者关注基态性质，后者关注激发态性质。例如，在自旋等于1的反铁磁旋量玻色爱因斯坦凝聚体中，随着二阶塞曼能量的改变，系统基态在极化态（polar phase）与反铁磁态（antiferromagnetic phase）之间的转变就是一种基态量子相变。上述相变着眼于平衡态物理。为了探究非平衡态物理，人们将“相变”的概念推广至非平衡过程，即动力学量子相变。当系统受到扰动后，其动力学响应在相变点两边表现出截然不同的性质，这就是动力学量子相变。近年来，动力学量子相变的研究成为热门课题，动力学量子相变与平衡态量子相变的关系也备受关注。目前，理论与实验研究均表明动力学量子相变与基态量子相变并不总是存在一一对应的关系；也有理论研究表明动力学量子相变与激发态量子相变有一定的关系，但仍缺乏实验证据。段路明教授研究组基于钠原子玻色爱因斯坦凝聚体系统，通过精密的实验设计，解决了系统长时衰减问题，利用微波对系统施加瞬时扰动，首次在量子多体系统中观测到与激发态相变对应的动力学量子相变。该实验同时表明量子淬火的动力学方法可以用来测量激发态相图。该研究成果论文：T. Tian, H.-X. Yang, L.-Y. Qiu, H.-Y. Liang, Y.-B. Yang, Y. Xu, L.-M. Duan.“Observation of Dynamical Quantum Phase Transitions with Correspondence in an Excited State Phase Diagram”, Phys. Rev. Lett 2020.
孙麓岩研究组：精确测量一个物理量的值是物理学家们孜孜以求的目标，同时也是科学技术发展的一个重要推动力。在量子测度学中，科学家们一直都在探索利用量子特性来提高测量精度。利用高度纠缠的NOON态或GHZ态的双模干涉仪和利用压缩态的迈克尔逊干涉仪在量子测度学中有着广泛的应用，例如著名的引力波探测仪LIGO。但无论是高纠缠度的NOON态和GHZ态，还是压缩态都很难制备，而且这些双模干涉仪都需要非局域操作和非局域测量，这使得这些方案的应用面临非常大的挑战。为了解决这些困难，近年来科学家们提出了单模量子传感器的概念。孙麓岩研究组与理论物理学家合作，首次在超导量子电路系统中演示了单模量子传感器。在这个实验中，他们利用高相干的超导微波谐振腔与超导量子比特 的耦合，以微波谐振腔中的福克态叠加态作为传感器，实现了高精度的相位估计。这个工作避开了传统量子测度学中多模纠缠需要的非局域操作，而测量精度能够接近量子海森堡极限。这一工作还演示了一种可扩展到光学与微波复合系统的测量方案，展示了超越经典极限的测量精度，促进了量子测度学在不同物理系统之间的应用。该研究成果论文 : W. Wang, Y. Wu, Y. Ma, W. Cai, L. Hu, X. Mu, Y. Xu, Zi-Jie Chen, H. Wang, Y. P. Song, H. Yuan, C.-L. Zou, L.-M. Duan & L. Sun.“Heisenberg-limited single- mode quantum metrology in a superconducting circuit”, Nature Communications.
金奇奂研究组：在乐高电影中，大师建造者具有绝地般的能力，能够通过将边角料和部分现有结构组装在一起，来制造不同的逃跑用的交通工具，例如飞行沙发。这些构造仅受制于建造者的想像力(以及一些关于结构完整性的 工程原理)。然而，这种强大的能力是通过一种称为模块性的非常微妙的技术实现的——这种技术使人们可以即插即用，将无数模块以无限组合的方式结合在一起。模块性是一种经典的设计原理，它允许不同的零件(如乐高积木)被独立构建，然后通过标准化接口连接到一起——这里所有的乐高积木都具有相同的凹凸图案，即使形状和功能各不相同，也可以实现互连。乐高世界之外，模块性对人类社会和科技也是至关重要的。它的用途从模块化家具之类的简单事物一直扩展到复杂的计算机代码，以至于人们可以在线连接服务器，通过应用程序编程接口 (API)——使人们可以将部分计算或服务与远程服务器相连接或断开。在现实世界中，这给了人们与大师建造者相似的能力——人们可以独立升级设备的不同部分，或自由地更换服务器。然而，当人们开始计算量子力学时，模块化架构会变得有些棘手。量子计算机的特别之处在于，它从量子叠加和量子纠缠中汲取了很多能力。一个量子位可以同时为 0 或 1，更有甚者，两个量子位可以纠缠在一起，以使它们同时为全 0 或全 1。为了在协作环境中获得量子计算的全部能力，人们需要在服务器和客户端之间维护这些量子属性。例如，客户端是否可以请求服务器以量子叠加的方式同时执行函数1和函数2，甚至将此操作与她计算机中的量子位纠缠在一起?事实上，目前实现这些设想的现有方法与模块化设计存在根本冲突。为 了升级协作量子计算的任一方，其它各方都将受到影响。因此，各个组件不再可以在即插即用架构中互换。在这里，研究组报告该原型是在离子阱量子计算机实 现如何使用量子API来实现称为DQC1的分布式量子算法——它能高效地计算一些经典计算机难以处理的函数。该 成 果 研 究 论 文:Kuan Zhang, Jayne Thompson, Xiang Zhang, Yangchao Shen, Yao Lu, Shuaining Zhang, Jiajun Ma, Vlatko Vedral, Mile Gu & Kihwan Kim. "Modular quantum computation in a trapped ion system", Nature Communications.
