Sampling a rare protein transition with a hybrid classical-quantum computing algorithm
تقدم هذه الورقة خوارزمية هجينة كلاسيكية-كمومية تجمع بين التعلم الآلي لاستكشاف التشكيلات وبين التلدين الكمومي لتوليد مسارات انتقال غير مترابطة بكفاءة، مما نجح في محاكاة إعادة ترتيب بروتيني بمقياس ميلي ثانية يطابق نتائج الحواسيب الفائقة المتخصصة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تحاول العثور على كهف سري مخفي داخل سلسلة جبال ضبابية هائلة. أنت تعلم أن الكهف موجود، وتعرف مكانه التقريبي، لكن الرحلة طويلة للغاية ومليئة بالطرق المسدودة.
هذه هي بالضبط المشكلة التي يواجهها العلماء عند محاولة محاكاة كيفية تغير الجزيئات البيولوجية الكبيرة (مثل البروتينات) في شكلها. هذه الجزيئات تتذبذب وتتحرك باستمرار، لكن التغيرات المحددة والهامة التي تقوم بها (مثل دوران المفتاح في القفل) تحدث نادراً جداً، لدرجة أنها تشبه انتظار سقوط ندفة ثلج في مكان محدد وسط عاصفة ثلجية.
إليك شرح مبسط لكيفية حل هذه الورقة البحثية لهذه المشكلة باستخدام مزيج من الحواسيب التقليدية، والذكاء الاصطناعي، وحاسوب كمي مستقبلي.
1. المشكلة: "لعبة الانتظار"
البروتينات تشبه الآلات الصغيرة والمعقدة. أحياناً تحتاج إلى الانتقال من "الوضع أ" إلى "الوضع ب" للقيام بوظيفتها.
- الطريقة القديمة: كان العلماء يستخدمون سابقاً عمليات محاكاة حاسوبية قياسية (مثل عرض فيلم إطاراً تلو الآخر). ما المشكلة؟ يقضي البروتين 99.9% من وقته في مجرد التذبذب في مكانه (الوضع أ)، ولا ينتقل إلى الوضع ب إلا مرة واحدة كل بضعة ميلي ثانية.
- التشبيه: تخيل أنك تحاول تصوير فيلم لسلحفاة تعبر طريقاً سريعاً. إذا سجلت كل ثانية من حياة السلحفاة، فستقضي سنوات في التصوير وهي جالسة بلا حراك قبل أن تراها تعبر أخيراً. حتى أسرع الحواسيب الفائقة في العالم تظل عالقة في "لعبة الانتظار" هذه.
2. الحل: استراتيجية هجينة من ثلاث خطوات
ابتكر المؤلفون طريقة جديدة تسمى gTPS (أخذ عينات مسار الانتقال الرسومي). فكر فيها كفريق استكشاف مكون من ثلاثة أجزاء:
الخطوة 1: الكشاف (تعلم الآلة على حاسوب تقليدي)
بدلاً من انتظار البروتين ليتحرك بشكل طبيعي، استخدموا خوارزمية ذكية (تعلم الآلة) لتعمل بمثابة "كشاف".
- التشبيه: تخيل أن الكشاف هو متسلق جبال لديه خريطة. بدلاً من المشي في الجبل بأك ولأ، يستخدم المتسلق طائرة بدون طيار (درون) لرصد المناطق غير المستكشفة. عندما يجد المتسلق منطقة جديدة، يضع علماً هناك.
- الابتكار: تقدم الورقة البحثية خدعة جديدة تسمى "مخطط نجم القطب" (Polar Star scheme).
- الطريقة القديمة: كان الكشاف يخمن اتجاهاً جديداً، لكن تخميناته غالباً ما كانت تقع في مكان مستحيل فيزيائياً (مثل جدار داخل الجبل)، مما يضطرهم للعودة والمحاولة مرة أخرى.
- الطريقة الجديدة: يعمل "نجم القطب" مثل بحار يهتدي بالنجوم. إنه يشير نحو "نجم" بعيد وغير مستكشف (شكل جديد) ويستخدم آلية "ترس" (ratchet) خاصة لسحب البروتين بلطف نحو ذلك الشكل دون كسر بنيته. هذا يسمح للحاسوب باستكشاف مناطق جديدة بسرعة أكبر وبدون التعثر.
الخطوة 2: رسم الخريطة (بناء الرسم البياني)
بمجرد أن يجمع الكشاف بيانات حول جميع الأشكال المختلفة التي يمكن أن يتخذها البروتين، يقوم الفريق ببناء خريطة.
- التشبيه: يحولون سلسلة الجبال إلى خريطة مترو أنفاق. كل "محطة" في الخريطة هي شكل محدد يمكن أن يتخذه البروتين. و"المسارات" التي تربط المحطات تمثل مدى احتمالية الانتقال من شكل إلى آخر.
- النتيجة: بدلاً من محاكاة كل تذبذب صغير، أصبح لديهم الآن شبكة مبسطة توضح جميع الطرق الممكنة التي يمكن للبروتين اتخاذها للوصول من البداية إلى النهاية.
الخطوة 3: الملاح الكمي (الحاسوب الكمي)
الآن يأتي السحر. يأخذون خريطة المترو هذه إلى حاسوب كمي (تحديداً آلة D-Wave).
- المشكلة مع الحواسيب العادية: إذا سألت حاسوباً عادياً عن أفضل مسار في خريطة مترو ضخمة، فسيتعين عليه فحص مسار، ثم آخر، ثم آخر. هذا يجعل العملية بطيئة، والمسارات التي يجدها غالباً ما تكون متشابهة جداً فيما بينها (أي أنها "مرتبطة").
- الميزة الكمية: تستخدم الحواسيب الكمية خاصية التراكب (superposition).
- التشبيه: تخيل أن الحاسوب العادي هو محقق واحد يفحص ممرًا تلو الآخر. أما الحاسوب الكمي فهو مثل "شبح" يمكنه السير في كل الممرات في المبنى في وقت واحد.
- من خلال استخدام الحاسوب الكمي، يمكنهم ترميز جميع المسارات الممكنة في آن واحد. وعندما نقيس النتيجة، يقوم الحاسوب الكمي فوراً بدمج كل تلك الاحتمالات في مسار واحد عالي الجودة وفريد.
- الفائدة: في كل مرة تطلب من الحاسوب الكمي مساراً، فإنه يعطيك مساراً جديداً تماماً وغير مرتبط بما قبله. الأمر يشبه طلب مسار جديد لعبور الجبل من جنّي، فيعطيك الجني في كل مرة مساراً مختلفاً وصالحاً تماماً، وبشكل فوري.
3. النتائج: هل نجح الأمر؟
اختبروا هذه الطريقة على بروتين يسمى BPTI (بروتين صغير موجود في الأبقار).
- التحدي: يتغير هذا البروتين في شكل يتطلب "ميلي ثانية". لرؤية هذا يحدث باستخدام الحواسيب العادية، ستحتاج إلى حاسوب فائق يعمل لسنوات.
- المقارنة: قارنوا نتائجهم ببيانات من Anton، وهو حاسوب فائق مخصص صُمم خصيصاً لهذا النوع من العمل (والذي استغرق شهوراً من الحوسبة الفعلية).
- النتيجة: وجدت طريقتهم الهجينة (باستخدام عدد قليل من وحدات معالجة الرسومات القياسية وحاسوب كمي) نفس المسارات والأشكال التي وجدها الحاسوب الفائق الضخم، ولكن في جزء بسيط من الوقت.
الصورة الكبيرة
هذه الورقة البحثية هي "إثبات مفهوم". فهي تظهر أننا لسنا بحاجة لانتظار أن تصبح الحواسيب الكمية مثالية أو ضخمة لتكون مفيدة. من خلال الجمع بين الذكاء الاصطناعي الذكي (لاستكشاف المجهول)، والرياضيات التقليدية (لبناء الخريطة)، والقوة الكمية (لإيجاد أفضل المسارات فوراً)، يمكننا حل الألغاز البيولوجية التي كانت مستحيلة سابقاً.
باخت-القول: لقد علموا الحاسوب كيف يتوقف عن انتظار حركة البروتين، ورسموا خريطة للمكان الذي يمكن أن يذهب إليه، ثم استخدموا "شبحاً" كمياً لإيجاد أفضل طريق للوصول إلى هناك فوراً. هذا يفتح الباب لتصميم أدوية أفضل وفهم الأمراض عبر محاكاة سلوك البروتينات بطرق لم نكن نراها من قبل.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.