⚛️ quantum physics

The Quantum Ensemble Variational Optimization Algorithm: Applications to Molecular Inverse Design

Este artículo presenta el algoritmo de Optimización Variacional de Conjuntos Cuánticos (QEVO), un método que aprovecha la computación cuántica de corto plazo y de tolerancia a fallos temprana para superar eficientemente la maldición de la dimensionalidad en el diseño inverso molecular, tal como lo demuestra su aplicación exitosa en la identificación de moléculas con propiedades anticancerígenas similares a las de los fármacos.

Autores originales: Francesco Calcagno, Delmar G. A. Cabral, Ivan Rivalta, Victor S. Batista

Publicado 2026-07-28

📖 4 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Francesco Calcagno, Delmar G. A. Cabral, Ivan Rivalta, Victor S. Batista

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que eres un maestro chef intentando inventar un nuevo plato perfecto. Tienes una despensa llena de ingredientes, pero el número de formas en las que puedes combinarlos es tan vasto que tardaría más que la edad del universo en probar cada una de las posibilidades. Este es el lucha diaria de los químicos que intentan diseñar nuevas moléculas. Necesitan encontrar estructuras específicas que puedan curar enfermedades o crear mejores materiales, pero el "espacio químico" de todas las moléculas posibles es tan enorme que las computadoras tradicionales se pierden, abrumadas por la pura cantidad de combinaciones. Esto se conoce como la "maldición de la dimensionalidad".

Para resolver esto, los científicos están recurriendo a las computadoras cuánticas. A diferencia de las computadoras regulares que usan bits (interruptores que están encendidos o apagados), las computadoras cuánticas usan "qubits". Gracias a un truco cuántico extraño llamado superposición, un qubit puede estar encendido, apagado o ambos al mismo tiempo. Esto les permite explorar muchas posibilidades simultáneamente, como un chef que puede probar mil recetas diferentes en un solo bocado. Sin embargo, las computadoras cuánticas actuales aún son pequeñas y propensas a errores, por lo que los científicos necesitan formas ingeniosas de usarlas sin quedar estancados por el ruido.

Aquí es donde entra en juego un nuevo método llamado Optimización Variacional de Conjunto Cuántico (QEVO, por sus siglas en inglés). Piensa en QEVO no como un chef probando un plato a la vez, sino como un director dirigiendo una orquesta de moléculas potenciales. En lugar de intentar calcular la partitura perfecta para cada una de las recetas, la computadora cuántica crea un estado de "superposición": una nube mágica donde existen muchas estructuras moleculares diferentes a la vez. El algoritmo luego toma muestras de esta nube, verificando el rendimiento promedio del grupo. Si el grupo no lo está haciendo bien, el algoritmo ajusta la "batuta de dirección" (los ajustes cuánticos) para desplazar la nube hacia mejores candidatos. Es una forma inteligente e iterativa de buscar la aguja en el phayar sin tener que mirar cada brizna de paja.

El artículo de Francesco Calcagno y su equipo introduce este método QEVO y lo pone a prueba con el desafío de diseñar nuevos fármacos, específicamente buscando moléculas que podrían combatir el cáncer. Simularon el proceso en una computadora para ver si podía encontrar moléculas con rasgos específicos y deseables, como ser solubles en agua o unirse fuertemente a una proteína relacionada con el cáncer llamada JAK2.

Los resultados de estas simulaciones son bastante prometedores. En una prueba en la que intentaron encontrar una molécula con el valor de "plogP" más bajo posible (una medida de qué tan bien una molécula se disuelve en grasa frente al agua), el algoritmo QEVO encontró la mejor solución tras explorar solo alrededor del 6% de todas las moléculas únicas posibles. Fue como encontrar la mejor aguja en un pajar mirando solo un pequeño montón de paja. El algoritmo funcionó mediante la "purificación" gradual de su nube de posibilidades, pasando de una mezcla caótica de moléculas aleatorias a un grupo enfocado de candidatos de alta calidad.

El equipo también abordó un problema más difícil: diseñar una molécula que ataque una proteína específica del cáncer (JAK2) sin golpear accidentalmente una proteína similar y saludable (LCK). Esto es como intentar encontrar una llave que encaje en un candado específico pero que no abra los otros candados de la casa. Cuando dejaron que el algoritmo funcionara libremente, encontró algunos buenos candidatos, pero no eran perfectos. Sin embargo, cuando le dieron una pista al algoritmo —comenzando la búsqueda con una estructura similar a un fármaco existente llamado ruxolitinib— los resultados mejoraron significativamente. La búsqueda "sesgada" encontró una nueva molécula que era mucho mejor distinguiendo entre la proteína del cáncer y la proteína sana, mostrando una diferencia de energía de unión de 2.0 kcal/mol a favor del objetivo del cáncer.

Los autores enfatizan que estos resultados provienen de simulaciones por computadora, no de experimentos físicos en un laboratorio. Utilizaron un circuito cuántico "poco profundo", lo que significa que no requería un número masivo de qubits, lo que lo hace adecuado para las computadoras cuánticas que tenemos hoy o que tendremos muy pronto. Si bien el método generó con éxito candidatos moleculares de alta calidad y navegó espacios químicos complejos de manera eficiente, el artículo no afirma haber descubierto una nueva cura. En cambio, sugiere que QEVO es una herramienta poderosa que podría ayudar a los científicos a diseñar mejores fármacos más rápido, ofreciendo una forma práctica de manejar la enorme complejidad del diseño molecular sin necesidad de entrenar enormes modelos de inteligencia artificial o esperar a tener un hardware cuántico perfecto.

Resumen Técnico: El Algoritmo de Optimización Variacional de Ensamble Cuántico para el Diseño Inverso de Moléculas

Planteamiento del Problema
El diseño computacional de moléculas con propiedades a medida (diseño inverso) enfrenta un desafío fundamental: la relación intrincada y, a menudo, no intuitiva entre la estructura molecular y sus propiedades, sumada a la explosión combinatoria del espacio químico. Las estrategias tradicionales de "fuerza bruta", como las búsquedas exhaustivas o el cribado de alto rendimiento, se vuelven inviables a medida que aumenta el tamaño molecular debido a la "maldición de la dimensionalidad". Si bien los métodos de aprendizaje automático (ML) han surgido para acelerar la generación, estos suelen requerir grandes conjuntos de datos de entrenamiento y no garantizan una exploración exhaustiva del espacio químico. Además, muchos problemas de optimización relevantes (por ejemplo, solubilidad, toxicidad, accesibilidad sintética) no se prestan naturalmente a formulaciones de valores de esperanza sobre estados cuánticos, lo que limita la aplicación directa de los algoritmos cuánticos variacionales (VQA) estándar.

Metodología: El Algoritmo QEVO
Los autores presentan el algoritmo de Optimización Variacional de Ensamble Cuántico (QEVO), un marco híbrido cuántico-clásico diseñado para plataformas cuánticas de corto plazo y de tolerancia a fallos temprana. A diferencia de los VQA convencionales que minimizan el valor de esperanza de un Hamiltoniano, QEVO optimiza el promedio del ensamble de una propiedad de interés derivada del muestreo de una distribución definida por un estado cuántico.

Codificación y Mapeo: Las estructuras moleculares se codifican utilizando la representación SELFIES, que se mapea biyectivamente a una base ortonormal de cadenas binarias (cadenas de Pauli). Cada cadena $|m_i\rangle$ representa una molécula específica con un valor de propiedad definido $p_i$ .
Ansatz Variacional: Un circuito cuántico parametrizado $U(\vec{\theta})$ $U (θ)$ prepara un estado de superposición $|M(\vec{\theta})\rangle = \sum_i \omega_i(\vec{\theta})|m_i\rangle$ $∣ M (θ)⟩ = \sum_{i} ω_{i} (θ) ∣ m_{i} ⟩$ . Los autores utilizan dos ansatzes específicos:
1. RealAmplitudes (RA): Un circuito entrelazado estándar con profundidad constante.
2. Bologna-Yale (BY): Una implementación holográfica y eficiente en cúbits, que mide e reinicia iterativamente dos cúbits físicos para simular estados de alta dimensión, lo que permite la optimización de grandes espacios combinatorios en hardware con conteos de cúbits limitados.
Bucle de Optimización: El algoritmo muestrea un ensamble de moléculas mediante la medición del estado cuántico en la base computacional. Una computadora clásica decodifica estas cadenas, calcula los valores de propiedad $p_i$ y computa el promedio del ensamble $p_M(\vec{\theta}) = \sum_i \omega_i(\vec{\theta})p_i$ . Los parámetros variacionales $\vec{\theta}$ se actualizan para minimizar una función de pérdida $L(\vec{\theta}) = |p_M(\vec{\theta}) - p_0| + \epsilon(\vec{\theta})$ , donde $p_0$ es el valor de la propiedad objetivo y $\epsilon(\vec{\theta})$ es un término de regularización para mejorar la pureza del ensamble.

Resultados Clave
Los autores evaluaron QEVO en tres escenarios distintos:

Benchmarking en la minimización de plogP: En un espacio químico tratable (6–9 tokens ASCII de un diccionario de 23 elementos), QEVO identificó con éxito moléculas con coeficientes de partición octanol-agua predichos mínimos (plogP).
- El algoritmo convergió al óptimo global (n-nonano) tras muestrear solo ~6% de las moléculas únicas en el espacio de referencia completo.
- El ansatz RA superó al ansatz BY en rendimiento bruto (tasa de éxito del 93% frente al 53% en el top-10 para un espacio de 227 dimensiones), aunque el ansatz BY demostró una eficiencia de recursos significativa, resolviendo problemas de 27 cúbits con solo 2 cúbits físicos.
- El rendimiento mejoró a medida que aumentaba el tamaño del espacio de búsqueda, requiriendo el algoritmo una fracción relativa menor del espacio para encontrar soluciones óptimas.
Diseño de Moléculas de Tipo Fármaco: En una tarea de diseño más compleja dirigida a la similitud con fármacos (QED, accesibilidad sintética y similitud con una referencia), se encontró que el paisaje de optimización era más accidentado.
- El estado cuántico final no colapsó a un único estado puro (el óptimo global), sino a un ensamble de alta pureza de candidatos subóptimos.
- A pesar de no encontrar el óptimo global, QEVO muestreó el 60% de las soluciones mejor clasificadas durante la optimización, demostrando su capacidad para navegar paisajes complejos y generar ensambles de alta calidad.
Diseño Selectivo de Inhibidores de JAK2: Los autores aplicaron QEVO al diseño inverso de inhibidores de la quinasa Janus 2 (JAK2), una tarea que requiere alta selectividad sobre la quinasa estructuralmente similar LCK.
- Generación No Sesgada: Las ejecuciones iniciales produjeron moléculas con buenas propiedades de tipo fármaco pero con baja selectividad en comparación con una línea de base de la base de datos ZINC22.
- Generación Sesgada: Al inicializar el ansatz para alinearlo con la codificación del fármaco conocido ruxolitinib y añadir un término de similitud a la función de pérdida, el algoritmo generó con éxito candidatos con una selectividad mejorada. El mejor candidato sesgado mostró una diferencia de energía de unión de 2.0 kcal/mol favoreciendo a JAK2 sobre LCK y compartió un 31% de similitud estructural con ruxolitinib, formando enlaces de hidrógeno clave con la región de la bisagra (LEU86/LEU89).

Significancia y Reivindicaciones
El artículo afirma que QEVO representa un nuevo paradigma computacional para abordar problemas combinatorios a gran escala en química. Su principal significancia radica en:

Generalización de los VQA: Extiende la optimización cuántica variacional a problemas donde la función objetivo no puede computarse como un valor de esperanza directo, basándose en cambio en promedios de ensamble de distribuciones muestreadas.
Eficiencia de Recursos: El algoritmo opera eficazmente con recursos cuánticos modestos (circuitos poco profundos, ansatzes de profundidad o número de cúbits constantes), lo que lo hace adecuado para las restricciones actuales y de corto plazo del hardware.
Capacidad Generativa: QEVO tiende un puente entre la optimización cuántica variacional y el diseño molecular generativo, permitiendo la identificación rápida de candidatos prometedores (por ejemplo, fármacos anticancerígenos) sin depender del entrenamiento de redes neuronales.
Flexibilidad: El método permite un control flexible sobre la exploración del espacio químico mediante estrategias de inicialización (uniforme vs. sesgada), permitiendo el direccionamiento hacia motivos estructurales o propiedades específicas.

Los autores concluyen que, si bien este enfoque aún no reemplaza la enumeración exhaustiva para todos los problemas, ofrece una solución práctica para navegar la complejidad combinatoria del diseño inverso de moléculas, particularmente en el contexto de la computación cuántica con recursos limitados.

Más como este