苏州2026年3月18日 美通社 －－ 近日，在光子盒举办的第二届量子年会上，2025年度“Quantum10中国量子公司十大创新典范用例”评选结果正式发布。医图生科凭借“量子－经典协同的真实药物分子发现基准框架”项目成功入选。

值得关注的是，在“十五五”规划的战略指引下，量子科技作为未来产业的核心赛道，正成为驱动科技变革与产业升级的关键力量。在本次入选的十家企业中，医图生科是唯一一家来自生物医药领域的企业，并成功实现了西北首台15比特超导量子计算真机的落地运行，这也是目前唯一拥有量子计算机并将其用于创新药研发的企业。这一结果也意味着，量子计算技术在生命科学与创新药研发领域的产业应用价值，正在逐步获得行业层面的关注。

Quantum10：中国量子产业年度创新应用评选

“Quantum10中国量子公司十大创新典范用例”由量子科技产业媒体光子盒（QuantumChina）发起评选。该评选聚焦中国量子产业在真实场景中的技术突破与产业落地，评审范围涵盖量子计算、量子通信、量子测量等多个领域，旨在寻找能够代表中国量子产业应用创新能力的标杆案例。

评选通过专家评审、行业投票等多轮筛选流程，重点关注技术创新性、产业应用价值以及商业落地潜力。本年度入选案例主要集中在量子计算基础设施、量子算法平台及行业应用探索等方向。

在这一背景下，医图生科的入选代表了量子计算在创新药研发这一真实产业场景中的应用探索。

从产业需求出发：量子计算进入药物研发

医图生科是一家以管线License交付运营为主要商业模式的全球首个量子计算＋AI技术驱动的创新药研发公司（Quantum AIDD）。与多数量子计算企业不同，医图生科从一开始便从创新药研发的真实产业需求出发，探索量子计算在药物设计中的应用路径。

这一探索横跨量子计算与生物医药两个技术体系，尝试将量子算法能力真正嵌入药物研发流程之中。

生物医药研发本质上依赖对分子电子结构的精确计算与模拟，而这恰恰是量子计算理论上最具优势的应用方向之一。然而，在当前NISQ （Noisy Intermediate－Scale Quantum）时代，量子硬件规模与噪声问题仍然限制了其在真实药物体系中的直接应用。

如何在有限量子资源条件下，让量子计算真正服务于药物发现流程，成为行业需要解决的关键问题。

全球首个Quantum AIDD Benchmark

针对这一问题，医图生科联合中国药科大学及移动云“混沌宙元”实验室，构建了全球首个面向真实药物分子的Quantum AIDD Benchmark。

该框架的核心目标，是建立一套可系统评估量子计算在药物发现中实际能力的标准化方法。研究团队围绕活性空间选择策略，对真实药物相关分子体系进行了系统测试，并通过量子算法与经典计算协同评估，构建了完整的计算流程与评价指标体系。

TyxonQ GitHub地址：

https：github.comQureGenAI－BiotechTyxonQ

在研究中，团队还在真实超导量子芯片（QPU）上完成了关键实验。结果表明，在当前硬件条件下，通过合理的活性空间选择与算法设计，VQE等混合量子算法已经能够在真实设备上获得化学合理范围内的计算结果。

这一工作为量子计算在药物研发领域的应用建立了重要的技术“标尺”，也为未来量子算法与硬件协同优化提供了数据基础。

算力协同：产业生态的重要支撑

本次研究工作的完成，也离不开产业生态合作伙伴的支持。其中，中国移动云“混沌宙元”实验室为研究提供了关键算力与硬件资源支持，使得相关算法能够在真实量子计算设备上完成实验验证。

同时，医图生科携手长安先导，共建先导医图量子AI融合计算中心，实现了西北地区首台超导量子计算机真机的交付与应用实践，进一步推动量子算力在生命科学场景中的落地。

量子计算产业的发展，本身就是硬件、算法与应用场景协同演进的过程。医图生科从创新药研发需求出发，与算力基础设施合作伙伴共同推进量子计算在生命科学领域的应用探索，也为产业协同创新提供了新的实践路径。

Quantum AIDD：从研究探索走向产业应用

基于上述研究成果，医图生科正在推进Quantum AIDD技术体系建设。医图生科自主研发的量子＋AI 药物设计平台“小龙虾”QureGenAI 已于 2026 年 3 月开启内测，面向创新药研发全流程提供以全蛋白组学分析、脱靶性预测、毒性预测、量子化学无缝接入等核心功能。目前，公司已成功推动 2 条研发管线迈入 Pre－IND 阶段、4 条管线抵达 PCC 阶段，充分验证了 Quantum AIDD 范式在创新药研发中的实际可行性。

本次入选“Quantum10中国量子公司十大创新典范用例”，也标志着量子计算在生物医药领域的应用探索开始获得产业层面的关注与认可。

未来，随着量子硬件能力持续提升以及算法体系不断完善，Quantum AIDD有望推动创新药研发从传统的“经验试错”，逐步走向更加理性和可预测的分子设计模式。