How to use quantum computers for biomolecular free energies

Titel: Nutzung von Quantencomputern für biomolekulare freie Energien

Autoren: Jakob Günther et al. (University of Copenhagen, ETH Zürich, MIT, etc.)
Datum: Juni 2025

---

1. Problemstellung

Die Berechnung freier Energien ist der Goldstandard für das Verständnis molekularer Erkennungsprozesse (z. B. die Bindung eines Wirkstoffs an ein Protein). Für eine präzise Vorhersage müssen zwei Hauptfaktoren berücksichtigt werden:

1. Elektronische Wechselwirkungen: Diese erfordern eine quantenmechanische Beschreibung (z. B. für Übergangsmetallkomplexe oder offene Schalen), da klassische Kraftfelder (Molecular Mechanics, MM) hier oft ungenau sind.
2. Entropische Beiträge: Diese entstehen durch die Bewegung der Moleküle und des Lösungsmittels und erfordern eine umfangreiche Konfigurationsraum-Sampling (Thermodynamisches Ensemble).

Das Dilemma:

• Klassische Quantenchemie: Hochgenaue Methoden (wie Coupled Cluster) skalieren exponentiell mit der Systemgröße und sind für große Biomoleküle (Proteine) unpraktikabel.
• Klassische Simulationen: Klassische Kraftfelder skalieren gut, liefern aber für komplexe elektronische Systeme (z. B. Ruthenium-Wirkstoffe) keine ausreichende Genauigkeit.
• Quantencomputer (QC): Kö theoretically die Wellenfunktion effizient darstellen (lineare Skalierung der Qubits mit der Elektronenzahl), sind aber aktuell noch nicht leistungsfähig genug, um das gesamte System zu simulieren. Zudem fehlt es an Pipelines, die QC-Ergebnisse nahtlos in Freie-Energie-Berechnungen integrieren.

---

2. Methodik: Die FreeQuantum-Pipeline

Die Autoren stellen FreeQuantum vor, eine integrierte End-to-End-Pipeline, die maschinelles Lernen (ML) mit einer zweistufigen Quanten-Embedding-Strategie kombiniert, um die Lücke zwischen hoher Genauigkeit und rechenintensivem Sampling zu schließen.

A. Dreischichtige Embedding-Strategie (QM/QM/MM)

Anstatt das gesamte System quantenmechanisch zu behandeln, wird das System in drei Schichten unterteilt:

1. Äußere Schicht (MM): Das gesamte Protein-Ligand-System wird mit klassischen Kraftfeldern beschrieben.
2. Mittlere Schicht (QM/MM): Ein quantenmechanischer Bereich (z. B. der Ligand und die unmittelbare Umgebung) wird mit Dichtefunktionaltheorie (DFT) behandelt.
3. Innere Schicht (Quantum Core / QM/QM): Innerhalb des QM-Bereichs werden kleine „Quanten-Kerne" (z. B. das Ruthenium-Metallzentrum) identifiziert, die mit hochpräzisen Wellenfunktionsmethoden (oder zukünftig Quantenalgorithmen) berechnet werden.

B. Maschinelles Lernen und Transfer Learning

Da hochgenaue Quantenrechnungen teuer sind, werden sie nicht für jeden Schritt der Simulation durchgeführt. Stattdessen wird ein aktives Lernverfahren eingesetzt:

• ML1: Ein erstes ML-Potential wird auf Basis von QM/MM-Daten trainiert.
• Aktives Lernen (NEQ): Während der Nicht-Gleichgewichts-Switching-Simulationen (NEQ) werden Strukturen mit hoher Unsicherheit identifiziert.
• ML2 (Transfer Learning): Für diese kritischen Strukturen werden hochpräzise Daten für die Quanten-Kerne berechnet (z. B. via NEVPT2 oder Coupled Cluster). Diese spärlichen, aber hochgenauen Daten werden genutzt, um das ML1-Potential durch Transfer Learning zu verfeinern (ML2). Dies ermöglicht die Nutzung von hochpräzisen Daten ohne die Notwendigkeit, das gesamte System mit diesen Methoden zu berechnen.

C. Automatisierung und Modularität

Die Pipeline ist vollständig automatisiert (mit Ausnahme der initialen Strukturvorbereitung) und modular aufgebaut. Sie kann den Rechenmotor für die Quanten-Kerne austauschen:

• Aktuell: Traditionelle Hochleistungsrechner (HPC) mit Methoden wie UCCSD(T), NEVPT2 oder DMRG.
• Zukunft: Quantencomputer (z. B. mittels Quantum Phase Estimation, QPE).

---

3. Fallstudie und Ergebnisse

Die Pipeline wurde an einem Ruthenium-basierten Antikrebswirkstoff (NKP-1339) getestet, der an das Protein GRP78 bindet.

• Herausforderung: Das System ist ein offenschaliger Spin-Dublett-Komplex mit einem Übergangsmetall, was für klassische Kraftfelder (MM) und einfache DFT-Methoden problematisch ist.
• Ergebnisse der Bindungsenergie ($\Delta G_{binding}$):
  • Reines MM: $-19,1 \pm 1,5$ kJ/mol (zu ungenau).
  • QM/MM (DFT-basiert): $-17,0 \pm 2,6$ kJ/mol.
  • FreeQuantum (mit hochpräzisen Wellenfunktionsmethoden im Kern): $-11,3 \pm 2,9$ kJ/mol (unter Verwendung von NEVPT2 auf Basis von CAS-CI).
• Vergleich: Die Ergebnisse der hochpräzisen Methoden (NEVPT2 und UCCSD(T)) stimmen gut überein und weichen signifikant von den DFT- und MM-Ergebnissen ab. Dies zeigt, dass die elektronische Korrelation im Metallzentrum entscheidend für die korrekte Bindungsenergie ist.

---

4. Quantencomputer-Ressourcen und Anforderungen

Die Autoren analysieren die Anforderungen für zukünftige Quantencomputer, um einen Vorteil („Quantum Advantage") in diesem Bereich zu erzielen:

• Algorithmus: Quantum Phase Estimation (QPE) wird als bevorzugter Algorithmus für die Berechnung der Grundzustandsenergie im Quanten-Kern identifiziert (im Gegensatz zu VQE, das für große Systeme limitiert ist).
• Ressourcen-Schätzung:
  • Für ein aktives Orbital-System von ca. 30–60 Orbitalen (notwendig für den Ruthenium-Kern) werden ca. 60 bis 1000 logische Qubits benötigt.
  • Die Gate-Fehlerraten müssen unter $10^{-7}$ bis $10^{-10}$ liegen.
  • Um eine einzelne Energieberechnung in ca. 20 Minuten zu erledigen (für das Training von ca. 4000 Datenpunkten), sind gate times unter $10^{-7}$ s erforderlich.
• Strategie: Durch die Reduktion des Quantenbereichs auf kleine Kerne (via Embedding) wird die benötigte Qubit-Zahl drastisch gesenkt, was die Anwendung von Quantencomputern in biologischen Systemen auch für die mittlere Zukunft realistisch macht.

---

5. Schlüsselbeiträge und Bedeutung

1. Erste vollständige Pipeline: FreeQuantum ist die erste integrierte Software-Pipeline, die hochgenaue Quantenrechnungen (traditionell oder zukünftig auf QC) nahtlos in Freie-Energie-Berechnungen für große Biomoleküle einbettet.
2. Überwindung der Dimensionalitätsfluch: Durch die Kombination von Multi-Layer-Embedding und Transfer-Learning wird das Problem der exponentiellen Skalierung umgangen. Nur die kritischsten Teile des Systems werden mit der höchsten Genauigkeit behandelt.
3. Quantum Advantage Roadmap: Das Papier liefert konkrete Ressourcen-Schätzungen, unter welchen Bedingungen Quantencomputer einen messbaren Vorteil bei der Berechnung freier Energien bieten können. Es zeigt, dass dies nicht nur für stark korrelierte Systeme, sondern auch für die breite Klasse biologischer Probleme relevant ist.
4. Offene Wissenschaft: Die Pipeline ist Open Source und modular gestaltet, sodass neue Quantenalgorithmen und Hardware-Verbesserungen leicht integriert werden können.

Fazit:
Die Arbeit demonstriert, dass die Berechnung freier Energien für komplexe biologische Systeme mit Quantencomputern nicht nur theoretisch möglich, sondern durch intelligente Embedding- und ML-Strategien bereits heute in einer hybriden Form umsetzbar ist. Sie ebnet den Weg für eine neue Ära des computergestützten Wirkstoffdesigns, bei dem Quantencomputer die Genauigkeit von Bindungsenergien revolutionieren werden.