Practical protein-pocket hydration-site prediction for drug discovery on a quantum computer
تُثبت هذه الورقة البحثية الفائدة العملية لأجهزة الحوسبة الكمومية ذات المقياس المتوسط المشوبة بالضجيج (NISQ) في مجال اكتشاف الأدوية، وذلك من خلال التنبؤ بنجاح بمواقع تميؤ جيوب البروتين على أجهزة كمومية حقيقية باستخدام نهج هجين يجمع بين نموذج (3D-RISM) والتحسين القائم على نموذج (QUBO)، وهو نهج يطابق الدقة الكلاسيكية مع إظهار مسار واضح نحو تحقيق التفوق الكمومي الكامل.
المؤلفون الأصليون:Daniele Loco, Kisa Barkemeyer, Andre R. R. Carvalho, Jean-Philip Piquemal
تخيل أنك تحاول بناء قلعة "ليغو" صغيرة ومثالية داخل كهف عملاق ومعقد. لكن هناك عقبة: الكهف مليء بالفعل بفقاعات مياه غير مرئية وزلقة، تحب الالتصاق بالجدران وببعضها البعض. إذا كنت تريد وضع قلعتك (الدواء) داخل الكهف بحيث تناسبه تماماً، فعليك أولاً أن تعرف بدقة أين تختبئ فقاعات الماء تلك. في عالم اكتشاف الأدوية، يطلق العلماء على هذه الفقاعات المخفية اسم "مواقع التميؤ" (hydration sites). إن العثور عليها يشبه محاولة رسم خريطة لغرفة ضبابية في الظلام؛ فجزيئات الماء في حركة مستمرة، تشكل وتكسر سلاسل غير مرئية، مما يجعل التنبؤ بمكان استقرارها أمراً صعباً للغاية. إذا أخطأت في ذلك، فقد لا يلتصق دواؤك بهدفه، وقد يفشل الدواء بأكمله. لعقود من الزمن، استخدم العلماء حواسيب فائقة القدرة لتخمين أين تذهب هذه الفقاعات، لكن الرياضيات معقدة جداً والمساحة شاسعة لدرجة أن أسرع الحواسيب قد تتعثر أحياناً أو تستغرق وقتاً طويلاً جداً لإيجاد أفضل إجابة.
الآن، تخيل استبدال ذلك الحاسوب الفائق الثقيل بآلة حاسبة سحرية ومستقبلية لا تكتفي بجمع الأرقام واحداً تلو الآخر، بل تستكشف احتمالات عديدة في وقت واحد، مثل شبح ينظر عبر كل جدار في الكهف في آن واحد. هذا هو الوعد الذي يقدمه الحوسبة الكمومية. في هذه الدراسة، قرر فريق من الباحثين اختبار ما إذا كانت هذه الآلة الحاسبة السحرية يمكنها حقاً المساعدة في حل لغز "فقاعات الماء" لأهداف دوائية حقيقية. لم يكتفوا بالحلم بذلك؛ بل أخذوا مشكلة حقيقية — وهي معرفة أين يستقر الماء في جيوب البروتينات التي تُعد أهدافاً لأدوية معتمدة من هيئة الغذاء والدواء (FDA) — وحاولوا حلها باستخدام أجهزة كمومية فعلية. لقد حولوا المشكلة الفوضوية لوضع الماء إلى لغز منطقي ضخم يسمى "QUBO" (وهي مجرد طريقة مبتكرة لوصف لغز حيث يتعين عليك الاختيار بين خيارين، مثل "ماء هنا" أو "لا يوجد ماء هنا"، للحصول على أفضل نتيجة). ثم أرسلوا هذا اللغز إلى حاسوب كمومي حقيقي ليروا ما إذا كان بإمكانه إيجاد الترتيب الأمثل بشكل أسرع أو أفضل من الطرق القديمة.
كانت النتائج مزيجاً رائعاً من "إنه يعمل!" و"نحن في طريقنا للوصول!". نجح الفريق في تشغيل لغز وضع الماء الخاص بهم على أجهزة IBM الكمومية الأحدث، والتي احتوت على ما يصل إلى 123 كيوبت (وهو المعادل الكمومي للبتات التقليدية). وجدوا أن الحاسوب الكمومي يمكنه بالفعل إيجاد الترتيب الأمثل لجزيئات الماء، محققاً دقة تضاهي أفضل الطرق التقليدية في الألغاز الصغيرة التي جربوها. في الواقع، في بعض حالات الاختبار، وجد الحل الكمومي الترتيب المثالي بنسبة 9% من الوقت، وهو ما كان أفضل بك كثيراً من طريقة "التلدين المحاكي" (simulated annealing) — وهي خدعة حاسوبية كلاسيكية تحاكي تبريد المعادن — التي وجدت الحل المثالي بنسبة 2% فقط تقريباً. وهذا يشير إلى أن الحواسيب الكمومية قادرة بالفعل على التعامل مع هذه الأنواع المحددة من ألغاز اكتشاف الأدوية، حتى مع وجود أجهزة "ضوضائية" (أي بها بعض الأخطاء التقنية) حالياً.
ومع ذلك، فإن الورقة البحثية حذرة في عدم الصراخ بعبارة "لقد انتصرنا!" بعد. فقد أظهر الباحثون أنه بينما عمل الحاسوب الكمومي بشكل جيد في الألغاز الصغيرة (حوالي 100 متغير)، فإن التحدي الحقيقي لاكتشاف الأدوية يكمكم في الألغاز الأكبر بكثير. عندما حاولوا جعل اللغز أكثر تفصيلاً ودقة عبر إضافة المزيد من المتغيرات (حتى 900 أو حتى 3,974)، لم تتمكن الحواسيب الكمومية الحالية من التعامل مع هذا الحجم بعد. اضطروا للاعتماد على الحواسيب التقليدية لمحاكاة ما سيحدث في تلك الألغاز الأكبر. وأظهرت عمليات المحاكاة أنه كلما أصبح اللغز أكبر، زادت دقة التنبؤ بالماء، حيث استعادت ما يصل إلى 90% من مواقع الماء المعروفة. تشير الورقة إلى أنه للوصول إلى هذا المستوى من الدقة على آلة كمومية حقيقية، سنحتاج إلى أجهزة تحتوي على حوالي 1,000 كيوبت والقدرة على إجراء حوالي 100,000 عملية كمومية محددة دون ارتكاب أخطاء. وبناءً على خارطة الطريق لشركات الأجهزة مثل IBM، يقدر المؤلفون أننا قد نرى آلات قادرة على ذلك بحلول عام 2028 أو 2029.
إذاً، ما هي الخلاصة الكبرى؟ لا تدعي هذه الورقة أن الحواسيب الكمومية قد حلت محل الحواسيب الفائقة في صنع الأدوية بالفعل. بدلاً من ذلك، هي تثبت أن الفكرة عملية. لقد نجحوا في رسم مشكلة دوائية من العالم الحقيقي على حاسوب كمومي وحصلوا على نتائج جيدة. لقد أظهروا أنه مع نمو التكنولوجيا، ستتحسن الدقة على الأرجح. إنه يشبه إظهار أن نوعاً جديداً من المحركات يمكنه قيادة سيارة في الشارع؛ إنه ليس سيارة سباق "فورمولا 1" بعد، ولكنه يثبت أن المحرك يعمل، ومع بعض الترقيات الإضافية، قد يكون هو أسرع طريق للوصول إلى خط النهاية. ويخلص المؤلفون إلى أن هذا النهج لديه القدرة على أن يصبح أداة قياسية للمساعدة في تصميم أدوية أفضل، بشرط أن تستمر الأجهزة في التحسن كما هو متوقع.
ملخص تقني: التنبؤ العملي بمواقع ترطيب البروتين-الجيب باستخدام الحاسوب الكمي
بيان المشكلة يعد التنبؤ الدقيق بتكوينات جزيئات الماء داخل جيوب ارتباط البروتين مهمة حرجة ولكنها مجهدة حاسوبياً في مجال تصميم الأدوية بمساعدة الحاسوب (CADD). فغالباً ما تعمل جزيئات الماء كوسطاء في عملية الارتباط بين البروتين واللجين (Ligand)، مما يؤثر بشكل كبير على الاستقرار الهيكلي وألفة الارتباط. ومع ذلك، فإن التنبؤ بـ "مواقع الترطيب" هذه يمثل تحدياً بسبب الأبعاد العالية للفضاء التشكلي وشبكات الروابط الهيدروجينية المعقدة التي تشكلها المياه. وبينما توجد طرق كلاسيكية مثل محاكاة الديناميكا الجزيئية (MD) أو محاكاة مونت كارلو (Monte Carlo)، إلا أنها تستهلك تكاليف حاسوبية باهظة، خاصة عندما تتطلب عينات محسنة. وتعمل نهج التعلم الآلي على التحسين، لكنها تفتقر حالياً إلى الدقة الكافية لتطبيقات CADD الصارمة. تعالج هذه الورقة تحدي صياغة وحل مشكلة التنبؤ بموقع الترطيب ثلاثي الأبعاد باستخدام الأجهزة الكمية ذات الضجيج متوسطة المقياس (NISQ) لإثبات الفائدة العملية في مسارات تصميم الأدوية.
المنهجية يقترح المؤلفون سير عمل هجين (كمي-كلاسيكي) يقوم بخرائط للمشكلة المستمرة لوضع الماء إلى مشكلة تحسين منفصلة يمكن حلها على الأجهزة الكمية. تسير المنهجية عبر الخطوات التالية:
حساب كثافة 3D-RISM: تبدأ العملية بحساب دالة كثافة الماء المستمرة g(r) لنموذج تفاعل الموقع المرجعي ثلاثي الأبعاد (3D-RISM) حول البروتين المستهدف (أو معقد البروتين-اللجين) باستخدام حزمة AmberTools. تمثل هذه الكثافة توزيع احتمالية جزيئات المذيب.
التقطيع وتقليل الأبعاد: لجعل المشكلة قابلة للتنفيذ على الأجهزة الكمية الحالية، يتم إعادة أخذ عينات من g(r) المستمرة على شبكة أكثر خشونة. يتم استبعاد المناطق ذات الكثافة المنخفضة باستخدام عتبة τg. يؤدي هذا إلى تقليل المشكلة من حوالي 106 نقطة شبكية إلى عدد يمكن إدارته من المتغيرات الثنائية (الكيوبتات).
صياغة QUBO: يتم صياغة التنبؤ بموقع الترطيب كمسألة تحسين لنموذج الخليط الغاوسي (GMM)، والتي يتم بعد ذلك رسم خرائطها لمسألة التحسين التربيعي غير المقيد بالمتغيرات الثنائية (QUBO).
تمثل المتغيرات الثنائية xi∈{0,1} وجود (1) أو غياب (0) جزيء ماء في موقع شبكي محدد i.
تقوم دالة الهدف بتقليل فرق معيار L2 بين كثافة 3D-RISM المستهدفة ومجموع التوزيعات الغاوسية المختارة.
تقوم مصفوفة QUBO بترميز الانحيازات الخطية (طاقة الذوبان الحرة للمواقع الفردية) والمصطلحات التربيعية (التفاعلات الزوجية)، بما في ذلك العقوبات لوضع جزيئات الماء قريبة جداً من بعضها البعض.
التحسين الكمي: يتم حل نماذج QUBO الناتجة باستخدام محلل التحسين Fire Opal من شركة Q-CTRL على أجهزة IBM الكمية (تحديداً معالجات Heron r2 و r3، حتى 156 كيوبت). يستخدم المحلل نموذج "ansatz" تبايني محسّن، وتجميع دوائر فعال، وكبت تلقائي للأخطاء للتخفيف من الضجيج.
المعالجة اللاحقة: يتم فك تشفير السلاسل الثنائية المثلى الناتجة عن المحلل الكمي إلى إحداثيات مكانية ثلاثية الأبعاد، والتي تمثل مواقع الماء (PW) المتوقعة.
المساهمات الرئيسية والنتائج
الإثبات التجريبي: نجحت الدراسة في تنفيذ تنبؤات مواقع الترطيب على أجهزة كمية حقيقية لما يصل إلى 123 كيوبت (123 متغيراً ثنائياً). شملت مجموعة الاختبار ستة معقدات بروتين-لجين (هياكل holo) وهيكل واحد (apo) ذو صلة بأدوية معتمدة من قبل FDA.
أداء المحلل: في النماذج المختبرة (حتى 116 متغيراً)، أظهر المحلل الكمي لـ Q-CTRL احتمال نجاح بنسبة 9% تقريباً في إيجاد الحل الأمثل (تم التحقق منه مقابل محاللات CPLEX الكلاسيكية)، وهو ما تفوق بشكل كبير على التلدين المحاكي (Simulated Annealing - SA) الذي وجد الحل الأمثل باحتمالية ~2% فقط، وعلى المحلل المحلي الجشع (greedy local solver) الذي فشل في إيجاد الحل الأمثل.
تحليل القابلية للتوسع والدقة:
حلل المؤلفون تأثير دقة الشبكة (δ) وعتبات الكثافة (τg) على دقة التنبؤ.
من خلال توسيع حجم المشكلة حتى 900 متغير باستخدام الاستدلالات الكلاسيكية (SA) كبديل لمحلل الكم المحتمل، لاحظوا أن مقاييس الدقة (كسر مياه البلورات المحددة، C؛ والدقة، P) تتحسن مع زيادة حجم المشكلة.
بالنسبة لنموذج مكون من 900 متغير، توقعت الطريقة ما يصل إلى ~60% من مواقع مياه البلورات، مع مقاييس دقة تضاهي أو تتفوق على الطرق الكلاسيكية السريعة الموجودة مثل Hydraprot و Placevent و Watgen و Dowser++.
تقدير الموارد: تقدم الورقة تقديراً للموارد لتحقيق "المنفعة الكمية" (التفوق على المحللات الكلاسيكية الدقيقة) و"التفوق الكمي" (التفوق على الاستدلالات).
تواجه المحللات الكلاسيكية الدقيقة صعوبة في التعامل مع النماذج التي تتجاوز ~123 متغيراً (تستغرق > 3 ساعات دون تقارب).
تم تحديد نموذج مكون من 900 متغير، والذي يُقدر أنه يتطلب ~100,000 بوابة ثنائية الكيوبت، كعتبة تصبح عندها الطريقة تنافسية مع النهج البديلة.
بناءً على خارطة طريق أجهزة IBM، يتوقع المؤلفون أن عدد الكيوبتات اللازمة ودقة البوابات المصححة للأخطاء للتعامل مع هذه المقاييس قد تكون متاحة بحلول 2027–2029.
الأهمية والادعاءات تدعي الورقة إثبات المنفعة العملية للأجهزة الكمية ذات الضجيج (NISQ) لمهمة متكررة وعالية القيمة في تصميم الأدو_، وهي التنبؤ بترطيب جيب البروتين. ويؤكد المؤلفون أن نهجهم الهجين ينجح في إعادة إنتاج التنبؤات التجريبية على معقدات بروتين-لجين حقيقية بدقة تماثل النهج الكلاسيكية.
تكمن أهمية العمل في:
إثبات المفهوم: التحقق من صحة رسم خرائط المشكلات البيولوجية ثلاثية الأبعاد المعقدة لنماذج QUBO القابلة للحل على الأجهزة الكمية الرقمية الحالية.
مسار التوسع: يشير تحليل تقدير الموارد إلى أن المنفعة الكمية الكاملة في متناول اليد مع توسع الأجهزة، مما يشير إلى أن التحسين الكمي يمكن أن يحسن الدقة بشكل منهجي مع زيادة عدد الكيوبتات.
التكامل في خطوط الإنتاج: تم وضع الطريقة كأداة للمساعدة في إعداد حسابات الإرساء (docking) وتحسين الرصاصات الدوائية (drug leads) من خلال توفير بيانات مواقع ترطيب دقيقة، مما قد يقلل من التكلفة الحسابية لتجهيز معقدات البروتين-اللجين لعمليات المحاكاة اللاحقة.
يتبنى المؤلفون موقفاً متواضعاً، مع الإقرار بأن الأجهزة الحالية تحد من حجم المشكلة إلى ~100 متغير، إلا أن المنهجية مصممة للتوسع. كما يشيرون إلى أن تحقيق تفوق كمي حاسم على أفضل الاستدلالات الكلاسيكية يتطلب مزيداً من التحسينات في الأجهزة (تحديداً في دقة البوابات وتصحيح الأخطاء) المتوقعة في المستقبل القريب.