Logarithmic-scale variational quantum eigensolver for off-lattice protein structure prediction in continuous torsional angle space
Dieses Paper führt einen auf einer logarithmischen Skala basierenden Variational Quantum Eigensolver ein, der die erste All-Atom-, Off-Lattice-Proteinstrukturvorhersage im kontinuierlichen Torsionsraum ermöglicht, indem er den Qubit-Bedarf von linear auf logarithmisch reduziert und erfolgreich die Wiederherstellung nativähnlicher Strukturen für kleine Proteine sowohl auf Simulatoren als auch auf echter Quantenhardware demonstriert.
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
Proteine sind die molekularen Maschinen, die das Leben am Laufen halten, indem sie sich selbst in komplizierte dreidimensionale Formen falten, um ihre Aufgaben zu erfüllen. Genau vorherzusagen, wie sich eine Kette von Aminosäuren in ihre endgültige, funktionelle Form verdreht und windet, war eines der hartnäckigsten Rätsel der Biologie. Jahrzehntelang verließen sich Wissenschaftler auf leistungsstarke klassische Computer, um diese Formen zu simulieren, aber die schiere Anzahl der Möglichkeiten, wie sich ein Protein verformen kann, ist so gewaltig, dass selbst die schnellsten Supercomputer Schwierigkeiten haben, die richtige Antwort zu finden, ohne sich zu verirren. Vor kurzem ist ein neues Werkzeug in dieses Feld eingetreten: der Quantencomputer. Im Gegensatz zu herkömmlichen Maschinen, die Informationen in binären Bits verarbeiten, nutzen Quantencomputer Quantenbits oder Qubits, die gleichzeitig in mehreren Zuständen existieren können, was einen potenziellen Abkürzungsweg durch das Labyrinth der Möglichkeiten bietet. Frühe Versuche, diese Maschinen für die Proteinfaltung einzusetzen, waren jedoch auf vereinfachte, blockartige Modelle beschränkt, die die feinen Details der realen Biologie vermissen ließen.
Einem Forscherteam der Cleveland Clinic ist nun ein bedeutender Schritt gelungen, indem es eine Methode demonstrierte, die Quantencomputer nutzt, um Proteinstrukturen in einem kontinuierlichen All-Atom-Raum vorherzusagen – ein Detailgrad, der für die heutige Quantenhardware zuvor als unmöglich galt. Ihre Arbeit, veröffentlicht als Forschungsartikel, führt einen neuen Algorithmus namens „Quantum Torsion Folder“ ein. Anstatt Proteine auf ein starres Gitter zu zwingen, behandelt diese Methode das Protein als eine flexible Kette von Winkeln und kodiert die Verdrehungswinkel des Rückgrats und der Seitenketten direkt in die Phasen eines Quantenzustands. Durch den Einsatz einer logarithmischen Skalierungsstrategie zeigten die Forscher, dass sie die komplexe Geometrie eines Proteins mit exponentiell weniger Qubits darstellen konnten, als traditionelle Methoden erfordern. In Simulationen generierte dieser Ansatz erfolgreich Modelle der zwei kleinen Proteine Chignolin und Trp-cage, die ihren experimentell ermittelten Formen sehr nahe kamen. Als die Forscher die Methode an tatsächlicher Quantenhardware testeten, erhielten sie naturnahe Strukturen, was bewies, dass das Quantensignal das Rauschen realer Geräte überleben kann, obwohl die Ergebnisse je nach spezifischer Maschine variierten.
Die zentrale Herausforderung bei der Proteinfaltung liegt darin, eine Landschaft von Möglichkeiten zu durchqueren, die exponentiell mit der Größe des Proteins wächst. Stellen Sie sich vor, Sie versuchen, eine einzige spezifische Anordnung eines langen, flexiblen Seils unter Milliarden anderer Möglichkeiten, wie es verknotet sein könnte, zu finden. Klassische Computer bleiben oft in lokalen Tälern stecken und finden eine Form, die zwar stabil, aber nicht die korrekte ist. Die Forscher adressierten dies, indem sie den Fokus von räumlichen Koordinaten auf die Winkel verschoben, in denen sich die Proteinkette biegt. In ihrem neuen Framework fungiert ein Quantenschaltkreis als Generator, der eine komplexe Wahrenwelle erzeugt, welche diese Biegungswinkel kodiert. Ein klassischer Computer fungiert dann als Evaluator, der diese Winkel nimmt und ein vollständiges 3D-Modell des Proteins erstellt, um dessen physikalische Stabilität zu prüfen, wobei er die Struktur danach bewertet, wie gut die Atome zusammenpassen und wie viel Energie diese Struktur erfordert. Dies erzeugt eine Schleife, in der der Quantencomputer eine Form vorschlägt, der klassische Computer sie bewertet und der Quantencomputer seine Parameter anpasst, um es erneut zu versuchen, wodurch die Struktur schrittweise zu einer stabilen Faltung verfeinert wird.
Um dies auf aktuellen Quantenmaschinen umsetzbar zu machen, mussten die Forscher ein kniffliges Problem lösen: Quantencomputer können die komplexen Phasen, die die Winkelinformationen enthalten, nicht direkt auslesen. Auf einem perfekten Simulator sind diese Phasen sichtbar, aber auf echter Hardware können nur die Wahrscheinlichkeiten bestimmter Zustände beobachtet werden. Die Forscher entwickelten einen klugen Umweg dafür. Sie bildeten die beobachteten Wahrscheinlichkeiten auf eine kumulative Verteilung ab und übersetzten so effektiv die verrauschte, messbare Ausgabe des Quantenchips in die kontinuierlichen Winkel, die zum Aufbau des Proteinmodells benötigt werden. Dies ermöglichte es ihnen, denselben Algorithmus sowohl auf hochpräzisen Simulatoren als auch auf echten Quantenprozessoren auszuführen und schlug so die Brücke zwischen theoretischem Design und praktischer Ausführung.
Das Team testete seine Methode an zwei bekannten Miniaturproteinen: Chignolin, einem kleinen Zehn-Aminosäure-Peptid, das sich in eine enge Haarnadelform faltet, und Trp-cage, einem etwas größeren Zwanzig-Aminosäure-Protein mit einer komplexeren Mischung aus Helices und Loops. Sie führten tausende unabhängige Simulationen für jedes Protein durch und nutzten drei verschiedene Energie-Scoring-Systeme, um die Ergebnisse zu bewerten: eine eigens für diese Aufgabe entwickelte Funktion, die weit verbreitete Rosetta-Software und die OpenMM-Physik-Engine. In den Simulationen erwies sich die Methode als bemerkenswert effektiv beim Sampling der korrekten Formen. Für Chignolin erreichten die besten Modelle einen hohen Grad an Genauigkeit, wobei einige Snapshots weniger als einen Angström von der wahren experimentellen Struktur abwichen – eine Distanz, die kleiner als die Breite eines einzelnen Atoms ist. Selbst für das schwierigere Trp-cage fand die Methode Strukturen, die der nativen Form viel näher kamen als die letztlich ausgewählten Modelle, was darauf hindeutet, dass der Quantencomputer erfolgreich die richtigen Regionen der Faltungslandschaft exploriert hat.
Eine zentrale Erkenntnis der Studie war, dass das durch den Optimierungsprozess erzeugte Endmodell nicht immer das genaueste war. Die Forscher fanden heraus, dass sie, indem sie eine Aufzeichnung von tausenden von Low-Energy-Snapshots während der Faltungsreise führten, oft eine Struktur finden konnten, die signifikant besser war als die, auf die der Algorithmus am Ende zusteuert. Dies deutet darauf hin, dass der Quantencomputer exzellent darin ist, den riesigen Raum der Möglichkeiten zu explorieren und vielversprechende Kandidaten zu finden, aber die Herausforderung darin besteht, den einen besten Kandidaten aus diesem Pool auszuwählen. Die maßgeschneiderte Energiefunktion arbeitete am besten dabei, das System in Richtung kompakter, naturnaher Formen zu führen, während die anderen Scoring-Systeme manchmal Strukturen bevorzugten, die zwar physikalisch stabil, aber geometrisch weiter von der wahren Faltung entfernt waren.
Um zu verifizieren, dass dieser Ansatz auf echter Hardware funktioniert, führte das Team seine besten Simulationsparameter auf zwei verschiedenen Quantenprozessoren von IBM aus: dem ibm_cleveland und dem ibm_miami. Sie ließen denselben Schaltkreis 300 Mal auf jeder Maschine laufen, um die inhärente Zufälligkeit und das Rauschen von Quantenmessungen zu berücksichtigen. Die Ergebnisse waren ermutigend: Auf dem ibm_cleveland stellte die Methode in 88 von 300 Versuchen naturnahe Strukturen wieder her, wobei das beste Modell eine Genauigkeit von 1,758 Angström erreichte. Auf dem ibm_miami war die Erfolgsquote niedriger, mit 45 erfolgreichen Strukturen von 300, wobei das beste Modell 1,782 Ångström erreichte. Der Leistungsunterschied verdeutlichte, dass die spezifische Hardwarearchitektur, Kalibrierung und die Rauscheigenschaften des Quantenprozessors eine große Rolle für das Endergebnis spielen. Die Forscher stellten fest, dass die Jobs auf dem ibm_miami signifikant länger dauerten, obwohl sie weniger Gates hatten, was darauf hindeutet, dass Faktoren jenseits der einfachen Schaltkreisgröße, wie etwa die Puls-Steuerung (Pulse Scheduling) und Messverzögerungen, die Effizienz beeinflussen.
Die Studie kommt zu dem Schluss, dass die hochauflösende Vorhersage von Proteinstrukturen auf kurzfristiger Quantenhardware machbar ist, sofern das Problem so formuliert wird, dass es die Einschränkungen der Maschine respektiert. Durch die Umwandlung des Problems von einer Suche nach räumlichen Koordinaten in eine Suche nach Torsionswinkeln, die in Quantenphasen kodiert sind, reduzierte das Team die erforderliche Anzahl an Qubits auf ein handhabbares Niveau, was ein All-Atom-Modellierung im kontinuierlichen Raum ermöglichte. Obwohl die Methode weiterhin vor Herausforderungen steht, insbesondere bei der Genauigkeit der Energiebewertung und dem Overhead beim Auslesen der Ergebnisse aus verrauschter Hardware, schafft sie ein skalierbares Fundament für die Zukunft. Die Arbeit zeigt, dass Quantencomputer über grobe, vereinfachte Modelle hinausgehen und die realistische, kontinuierliche Geometrie biologischer Moleküle angehen können, was einen neuen Weg zum Verständnis der grundlegenden Mechanismen des Lebens eröffnet.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.