Practical protein-pocket hydration-site prediction for drug discovery on a quantum computer
Diese Arbeit demonstriert den praktischen Nutzen von Noisy Intermediate-Scale Quantum (NISQ)-Hardware für die Arzneimittelentdeckung, indem sie erfolgreich Protein-Taschen-Hydratationsstellen auf echten Quantenprozessoren mittels eines hybriden 3D-RISM- und QUBO-basierten Optimierungsansatzes vorhersagt, der die klassische Präzision erreicht und gleichzeitig einen klaren Weg hin zu einem vollen Quantenvorteil aufzeigt.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen, eine winzige, perfekte LEGO-Burg in einer riesigen, komplexen Höhle zu bauen. Aber es gibt einen Haken: Die Höhle ist bereits mit unsichtbaren, rutschigen Wasserblasen gefüllt, die es lieben, an den Wänden und aneinander festzukleben. Wenn Sie Ihre Burg (ein Medikament) in der Höhle so platzieren wollen, dass sie perfekt passt, müssen Sie zuerst genau wissen, wo sich diese Wasserblasen verstecken. In der Welt der Arzneimittelforschung nennen Wissenschaftler diese verborgenen Blasen „Hydratationsstellen“. Diese Wassermoleküle zu finden, ist wie der Versuch, einen nebligen Raum im Dunkeln zu kartieren; die Wassermoleküle bewegen sich ständig, bilden und lösen unsichtbare Ketten, was es unglaublich schwierig macht, vorherzusagen, wo sie sich niederlassen werden. Wenn Sie hier einen Fehler machen, wird Ihr Medikament vielleicht nicht an sein Ziel binden, und das gesamte Medikament könnte scheitern. Jahrzehntelang haben Wissenschaftler leistungsstarke Supercomputer benutzt, um zu erraten, wohin diese Blasen gehen, aber die Mathematik dahinter ist so schwerfällig und der Raum so gewaltig, dass selbst die schnellsten Computer manchmal stecken bleiben oder ewig brauchen, um die beste Antwort zu finden.
Stellen Sie sich nun vor, Sie tauschen diesen schweren Supercomputer gegen einen magischen, futuristischen Taschenrechner aus, der nicht nur Zahlen eins nach dem anderen addiert, sondern viele Möglichkeiten gleichzeitig erkundet, wie ein Geist, der gleichzeitig durch jede Wand in der Höhle blickt. Dies ist das Versprechen des Quantencomputings. In dieser neuen Studie beschloss ein Team von Forschern zu testen, ob dieser magische Taschenrechner tatsächlich helfen kann, das „Wasserblasen“-Rätsel für reale Wirkstoffziele zu lösen. Sie haben nicht nur davon geträumt; sie nahmen ein echtes Problem in die Hand – herauszufinden, wo Wasser in den Taschen von Proteinen sitzt, die Ziele für FDA-zugelassene Medikamente sind – und versuchten, dieses Problem mit echter Quantenhardware zu lösen. Sie verwandelten das chaotische Problem der Platzierung von Wasser in ein riesiges Logikrätsel namens „QUBO“ (was nur eine schicke Art und Weise ist, ein Rätsel zu beschreiben, bei dem man zwischen zwei Optionen wählen muss, wie etwa „Wasser hier“ oder „kein Wasser hier“, um die beste Punktzahl zu erreichen). Dann schickten sie dieses Rätsel an einen echten Quantencomputer, um zu sehen, ob er die Gewinnanordnung schneller oder besser als die alten Methoden finden kann.
Die Ergebnisse waren eine faszinierende Mischung aus „Es funktioniert!“ und „Wir sind auf dem Weg“. Dem Team gelang es, ihr Wasserplatzierungs-Rätsel auf IBMs neuesten Quantengeräten auszuführen, die über bis zu 123 Qubits (das Quanten-Äquivalent zu Bits) verfügten. Sie fanden heraus, dass der Quantencomputer tatsächlich die beste Anordnung der Wassermoleküle finden konnte, wobei er die Präzision der besten klassischen Methoden für die kleineren Rätsel, die sie versuchten, erreichte. Tatsächlich fand der Quantenlöser für einige der Testfälle die perfekte Lösung etwa 9 % der Zeit, was signifikant besser war als die Methode des „Simulated Annealing“ (ein klassischer Computer-Trick, der das Abkühlen von Metall nachahmt), welche die perfekte Lösung nur etwa 2 % der Zeit fand. Dies deutet darauf hin, dass Quantencomputer bereits in der Lage sind, diese spezifischen Arten von Arzneimittelforschungs-Rätseln zu bewältigen, selbst mit der aktuellen „verrauschten“ (etwas fehlerhaften) Hardware.
Das Paper ist jedoch vorsichtig damit, nicht gleich „Wir haben gewonnen!“ zu rufen. Die Forscher zeigten, dass der Quantencomputer zwar bei den kleineren Rätseln (um 100 Variablen) gut funktionierte, die eigentliche Herausforderung für die Arzneimittelforschung jedoch in viel größeren Rätseln liegt. Als sie versuchten, das Rätsel detaillierter und präziser zu machen, indem sie mehr Variablen hinzufügten (bis zu 900 oder sogar 3.974), konnten die aktuellen Quantencomputer diese Größe noch nicht bewältigen. Sie mussten sich auf klassische Computer verlassen, um zu simulieren, was bei diesen größeren Rätseln passieren würde. Die Simulationen zeigten, dass die Genauigkeit der Wasserprognose deutlich besser wird, wenn das Rätsel größer wird, wobei bis zu 90 % der bekannten Wasserpositionen wiederhergestellt werden. Das Paper legt nahe, dass wir, um dieses Niveau an Genauigkeit auf einer echten Quantenmaschine zu erreichen, Geräte mit etwa 1.000 Qubits und der Fähigkeit benötigen, etwa 100.000 spezifische Quantenoperationen ohne Fehler auszuführen. Basierend auf der Roadmap von Hardware-Unternehmen wie IBM schätzen die Autoren, dass wir solche Maschinen etwa um das Jahr 2028 oder 2029 sehen werden.
Was ist also die große Erkenntnis? Dieses Paper behauptet nicht, dass Quantencomputer die Supercomputer bei der Herstellung von Medikamenten bereits ersetzt haben. Stattdessen beweist es, dass die Idee praktikabel ist. Sie haben erfolgreich ein reales Arzneimittelproblem auf einen Quantencomputer abgebildet und gute Ergebnisse erzielt. Sie haben gezeigt, dass die Genauigkeit wahrscheinlich noch weiter steigen wird, wenn die Technologie wächst. Es ist, als würde man zeigen, dass ein neuer Motortyp ein Auto durch die Straße fahren kann; es ist noch kein Formel-1-Rennwagen, aber es beweist, dass der Motor funktioniert, und mit ein paar weiteren Upgrades könnte er vielleicht der schnellste Weg sein, um die Ziellinie zu erreichen. Die Autoren kommen zu dem Schluss, dass dieser Ansatz das Potenzial hat, ein Standardwerkzeug zur Unterstützung von Wissenschaftlern bei der Entwicklung besserer Medikamente zu werden, vorausgesetzt, die Hardware verbessert sich wie erwartet stetig weiter.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.