Resource-Efficient Bio-Molecular Docking on a NISQ-era Digital Quantum Computer
Dieses Paper schlägt ein ressourceneffizientes hybrides Quanten-Klassik-Framework für das molekulare Docking vor und validiert es experimentell, indem es das Problem als eine Aufgabe zur Suche nach der maximal gewichteten Clique in einem Vertex-gewichteten Graphen neu formuliert, eine Variationale Full-Basis-Kodierungsstrategie mit einem bewährten Pure-Product-State-Optimierer nutzt und die Machbarkeit auf einem IBM-Quantencomputer demonstriert, um die struktur-basierte Wirkstoffforschung voranzutreiben.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Im Wettlauf um die Entdeckung neuer Medikamente stehen Wissenschaftler oft vor einem Rätsel von überwältigender Komplexität. Sie müssen den perfekten Weg finden, um ein kleines Wirkstoffmolekül, genannt Ligand, in eine spezifische Tasche eines großen Protein-Zielmoleküls einzupassen – ganz so, als müsste man den exakten Schlüssel finden, der ein Schloss dreht. Dieser Prozess, bekannt als molekulares Docking, ist essenziell für das Design von Medikamenten, die Krankheiten stoppen können, aber er ist unglaublich schwierig, da die Moleküle flexibel sind und sich in unzählige Formen verbiegen können. Die Anzahl der möglichen Arten, wie diese beiden Moleküle zusammenpassen könnten, wächst so schnell an, dass selbst die leistungsstärksten Supercomputer der Welt Schwierigkeiten haben, jede Option zu prüfen, ohne zu viel Zeit oder Energie aufzuwenden. Um diese Aufgabe handhabbar zu machen, haben Forscher gelernt, das physikalische Problem des Zusammenpassens von Molekülen in ein mathematisches Spiel des Verbindens von Punkten zu übersetzen. In diesem Spiel entspricht das beste Passstück dem Finden des wertvollsten Clusters verbundener Punkte – eine Herausforderung, die für Computer notorisch schwer schnell zu lösen ist.
Ein Forschungsteam hat nun einen neuen Weg demonstriert, um dieses Problem mithilfe der neuesten Generation von Quantencomputern anzugehen. Diese Maschinen, die sich derzeit in einem frühen Entwicklungsstadium befinden und anfällig für Rauschen sind, sind noch nicht leistungsstark genug, um die komplexen Algorithmen auszuführen, die für die groß angelegte Arzneimittelentdeckung erforderlich sind. Das Team zeigte jedoch, dass sie durch den Einsatz eines cleveren Tricks zur Informationskompression eine spezifische Version dieses Docking-Rätsels auf einem echten Quantenprozessor lösen konnten. Es gelang ihnen, die optimale Bindungskonfiguration für zwei verschiedene Wirkstoff-Protein-Paare zu identifizieren, womit bewiesen wurde, dass diese fragilen, frühen Maschinen bei der schwierigen Arbeit der Auswahl der besten molekularen Interaktionen helfen können.
Die Forscher begannen damit, das physikalische Problem des Dockings eines Wirkstoffs an ein Protein in einen Graphen zu überführen, ein Netzwerk aus Punkten und Linien. Jeder Punkt repräsentierte einen potenziellen Kontakt zwischen einem Merkmal des Wirkstoffs und einem Merkmal des Proteins, wie etwa eine Wasserstoffbrückenbindung oder eine hydrophobe Wechselwirkung. Die Linien verbanden Punkte, die gemeinsam existieren konnten, ohne im Konflikt zu stehen, wodurch eine Karte aller möglichen gültigen Kombinationen entstand. Das Ziel war es, die Gruppe von Punkten zu finden, die alle miteinander verbunden sind und den höchsten Gesamtwert aufweisen, was die stärkste und stabilste Bindung darstellt. Dies ist ein klassischer Typ von mathematischem Problem, der als „Maximum Vertex-Weighted Clique Problem“ bekannt ist. Während klassische Computer dies lösen können, müssen sie oft eine enorme Anzahl von Möglichkeiten prüfen, was ineffizient wird, wenn die Moleküle größer und flexibler werden.
Um diese Aufgabe für einen Quantencomputer einfacher zu machen, entwickelte das Team eine Methode, um mehr Informationen in weniger physische Komponenten zu packen. Ein Standard-Quantencomputer verwendet winzige Einheiten namens Qubits, um Daten zu speichern, aber diese Maschinen verfügen derzeit über nur sehr wenige verfügbare Qubits. Die Forscher erkannten, dass ein einzelnes Qubit nicht nur ein einfacher Schalter ist, der an oder aus sein kann, sondern ein komplexeres Objekt, das durch drei verschiedene Richtungen im Raum beschrieben werden kann. Durch die Nutzung aller drei dieser Richtungen konnten sie drei separate Informationseinheiten auf ein einziges Qubit kodieren, statt der üblichen einen. Dies ermöglichte es ihnen, die Größe des Problems erheblich zu schrumpfen und einen großen Graphen in einen viel kleineren Quanten-Schaltkreis zu passen, den die vorhandene Hardware tatsächlich verarbeiten konnte.
Das Team führte zudem eine intelligente Art ein, die Suche des Computers zu starten. Anstatt mit einer zufälligen Vermutung zu beginnen, die den Computer oft auf einen langen und unproduktiven Pfad führt, nutzten sie einen klassischen Computer, um einige Schritte eines Prozesses zu simulieren, der das System natürlich in Richtung der besten Lösung leitet. Sie nahmen das Ergebnis dieser klassischen Simulation und nutzten es, um den Anfangszustand des Quantencomputers festzulegen. Dieser „Warmstart“ bedeutete, dass der Quantenprozessor seine Arbeit bereits nahe der Antwort aufnahm, was deutlich weniger Schritte erforderte, um die endgültige Lösung zu finden. Diese Kombination aus dem Packen von mehr Daten in weniger Qubits und dem Start der Suche in einer besseren Position ermöglichte es ihnen, den gesamten Prozess auf einem echten Quantengerät von IBM durchzuführen.
Als sie diesen Ansatz an zwei spezifischen Wirkstoff-Protein-Paaren testeten – eines unter Beteiligung eines Moleküls namens Biotin und eines unter Beteiligung von Benzamidin –, waren die Ergebnisse vielversprechend. Der Quantencomputer, der auf einem Gerät mit begrenzter Leistung und gewissem Rauschen lief, identifizierte erfolgreich dieselbe beste Passform, die auch eine perfekte, rauschfreie Simulation gefunden hätte. Die Forscher stellten fest, dass ihre Methode nicht nur in der Lage war, die korrekte Antwort wiederherzustellen, sondern dies auch zuverlässiger und mit einer höheren Erfolgsquote tat als eine traditionelle Methode, die weniger Richtungen pro Qubit verwendet. Sie beobachteten, dass die Methode selbst mit einem flachen Schaltkreis gut funktionierte, was bedeutet, dass sie keine tiefen Schichten von Operationen erforderte, die auf aktuellen Maschinen anfällig für Fehler sind.
Die Studie behauptet nicht, dass Quantencomputer die klassischen Methoden für das Wirkstoffdesign ersetzt haben, noch deutet sie darauf hin, dass diese spezifische Technik das gesamte Problem der Entdeckung neuer Medikamente löst. Stattdessen zeigt sie, dass Quantencomputer als spezialisiertes Werkzeug für einen spezifischen, schwierigen Schritt im Prozess fungieren können: die Auswahl des besten Satzes kompatibler Interaktionen aus einer riesigen Liste von Möglichkeiten. Die Forscher bewiesen, dass sie durch den Einsatz einer Full-Basis-Kodierungsstrategie und einer intelligenten Initialisierungstechnik diese kombinatorischen Probleme auf heutiger, unvollkommener Hardware lösen konnten. Diese Arbeit liefert eine konkrete Demonstration dafür, dass ressourceneffiziente Quantenalgorithmen auf realen Geräten ausgeführt werden können, was einen potenziellen Weg aufzeigt, diese Maschinen zur Unterstützung der rechenintensiven Arbeit in der biologischen Forschung einzusetzen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.