⚛️ quantum physics

Practical protein-pocket hydration-site prediction for drug discovery on a quantum computer

Este artículo demuestra la utilidad práctica del hardware de Escala Intermedia con Ruido (NISQ, por sus siglas en inglés) para el descubrimiento de fármacos al predecir con éxito sitios de hidratación en bolsillos de proteínas en dispositivos cuánticos reales mediante un enfoque híbrido de 3D-RISM y optimización basada en QUBO que iguala la precisión clásica mientras muestra un camino claro hacia la ventaja cuántica total.

Autores originales: Daniele Loco, Kisa Barkemeyer, Andre R. R. Carvalho, Jean-Philip Piquemal

Publicado 2026-07-30

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Daniele Loco, Kisa Barkemeyer, Andre R. R. Carvalho, Jean-Philip Piquemal

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 estás intentando construir un diminuto y perfecto castillo de LEGO dentro de una cueva gigante y compleja. Pero hay un truco: la cueva ya está llena de burbujas de agua invisibles y resbaladizas a las que les encanta pegarse a las paredes y entre sí. Si quieres colocar tu castillo (un medicamento) dentro de la cueva para que encaje perfectamente, primero necesitas saber exactamente dónde se esconden esas burbujas de agua. En el mundo del descubrimiento de fármacos, los científicos llaman a estas burbujas ocultas "sitios de hidratación". Encontrar estas burbujas es como intentar mapear una habitación con niebla en la oscuridad; las moléculas de agua se mueven constantemente, formando y rompiendo cadenas invisibles, lo que hace que sea increíblemente difícil predecir dónde se asentarán. Si te equivocas en esto, es posible que tu medicina no se adhiera a su objetivo y todo el fármaco falle. Durante décadas, los científicos han utilizado potentes supercomputadoras para adivinar a dónde van estas burbujas, pero las matemáticas son tan pesadas y el espacio tan vasto que incluso las computadoras más rápidas a veces se quedan bloqueadas o tardan una eternidad en encontrar la mejor respuesta.

Ahora, imagina cambiar esa pesada supercomputadora por una calculadora mágica y futurista que no solo suma números uno por uno, sino que explora muchas posibilidades a la vez, como un fantasma que mira a través de cada pared en la cueva simultáneamente. Esta es la promesa de la computación cuántica. En este nuevo estudio, un equipo de investigadores decidió probar si esta calculadora mágica podría realmente ayudar a resolver el rompecabezas de las "burbujas de agua" para objetivos de la vida real. No se limitaron a soñar con ello; tomaron un problema real —averiguar dónde se sitúa el agua en los bolsillos de las proteínas que son objetivos de fármacos aprobados por la FDA— e intentaron resolverlo utilizando hardware cuántico real. Convirtieron el desordenoso problema de la colocación del agua en un gran rompecabezas lógico llamado "QUBO" (que es solo una forma elegante de decir un rompecabezas donde tienes que elegir entre dos opciones, como "agua aquí" o "no hay agua aquí", para obtener la mejor puntuación). Luego, enviaron este rompecabezas a una computadora cuántica real para ver si podía encontrar la disposición ganadora de forma más rápida o mejor que los métodos antiguos.

Los resultados fueron una mezcla fascinante de "¡funciona!" y "estamos llegando". El equipo logró ejecutar su rompecabezas de colocación de agua en los últimos dispositivos cuánticos de IBM, que contaban con hasta 123 qubits (el equivalente cuántico de los bits). Descubrieron que la computadora cuántica podía, de hecho, encontrar la mejor disposición de las moléculas de agua, igualando la precisión de los mejores métodos clásicos para los rompecabezas más pequeños que probaron. De hecho, para algunos de los casos de prueba, el resolvedor cuántico encontró la solución perfecta aproximadamente el 9% de las veces, lo cual fue significativamente mejor que el método de "recocido simulado" (un truco clásico de las computadoras que imita el enfriamiento de metales) que utilizaron como comparación, el cual solo encontró la solución perfecta aproximadamente el 2% de las veces. Esto sugiere que las computadoras cuánticas ya son capaces de manejar este tipo específico de rompecabezas de descubrimiento de fármacos, incluso con el hardware actual "ruidoso" (un poco defectuoso).

Sin embargo, el artículo es cuidadoso de no gritar "¡ganamos!" todavía. Los investigadores demostraron que, si bien la computadora cuántica funcionó bien en los rompecabezas más pequeños (alrededor de 100 variables), el verdadero desafío para el descubrimiento de fármacos reside en rompecabezas mucho más grandes. Cuando intentaron hacer el rompecabezas más detallado y preciso añadiendo más variables (hasta 900 o incluso 3,974), las computadoras cuánticas actuales no pudieron manejar ese tamaño todavía. Tuvieron que confiar en computadoras clásicas para simular lo que sucedería con esos rompecabezas más grandes. Las simulaciones mostraron que, a medida que el rompecabezas se hace más grande, la precisión de la predicción del agua mejora considerablemente, recuperando hasta el 90% de las posiciones de agua conocidas. El artículo sugiere que para alcanzar este nivel de precisión en una máquina cuántica real, necesitaremos dispositivos con alrededor de 1,000 qubits y la capacidad de ejecutar cerca de 100,000 operaciones cuánticas específicas sin cometer errores. Basándose en la hoja de ruta de empresas de hardware como IBM, los autores estiman que podríamos ver máquinas capaces de esto para alrededor de 2028 o 2029.

Entonces, ¿cuál es la gran conclusión? Este artículo no afirma que las computadoras cuánticas hayan reemplazado ya a las supercomputadoras para la creación de fármacos. En cambio, demuestra que la idea es práctica. Lograron mapear con éxito un problema de fármacos del mundo real en una computadora cuántica y obtuvieron buenos resultados. Demostraron que, a medida que la tecnología crezca, la precisión probablemente será aún mayor. Es como mostrar que un nuevo tipo de motor puede conducir un coche por la calle; no es un coche de Fórmula 1 todavía, pero demuestra que el motor funciona y que, con algunas mejoras más, podría convertirse simplemente en la forma más rápida de llegar a la línea de meta. Los autores concluyen que este enfoque tiene el potencial de convertirse en una herramienta estándar para ayudar a los científicos a diseñar mejores medicinas, siempre y que el hardware siga mejorando según lo previsto.

Resumen Técnico: Predicción Práctica de Sitios de Hidratación de Bolsillos Proteicos para el Descubrimiento de Fármacos en una Computadora Cuántica

Planteamiento del Problema
La predicción precisa de las configuraciones de las moléculas de agua dentro de los bolsillos de unión de las proteínas es una tarea crítica, aunque computacionalmente exigente, en el Descubrimiento de Fármacos Asistido por Computadora (CADD). Las moléculas de agua suelen actuar como intermediarios en la unión proteína-ligando, influyendo significativamente en la estabilidad estructural y la afinidad de unión. Sin embargo, predecir estos "sitios de hidratación" es un desafío debido a la alta dimensionalidad del espacio conformacional y las complejas redes de enlaces de hidrógeno que el agua forma. Aunque existen métodos clásicos como la Dinámica Molecular (MD) y las simulaciones de Monte Carlo, estos incurren en costos computacionales significativos, particularmente cuando se requiere un muestreo mejorado. Los enfoques de aprendizaje automático están mejorando, pero actualmente carecen de la precisión suficiente para aplicaciones rigurosas de CADD. Este artículo aborda el desafío de formular y resolver el problema de la predicción de sitios de hidratación en 3D utilizando hardware Cuántico de Escala Intermedia con Ruido (NISQ) para demostrar la utilidad práctica en los procesos de descubrimiento de fármacos.

Metodología
Los autores proponen un flujo de trabajo híbrido cuántico-clásico que mapea el problema continuo de la colocación de agua en un problema de optimización discreto resoluble en hardware cuántico. La metodología procede a través de los siguientes pasos:

Cálculo de Densidad 3D-RISM: El proceso comienza con el cálculo de la función de densidad de agua continua 3D-RISM, $g(r)$ , alrededor de la proteína objetivo (o el complejo proteína-ligando) utilizando el paquete AmberTools. Esta densidad representa la distribución de probabilidad de las moléculas de solvente.
Discretización y Reducción de Dimensionalidad: Para hacer que el problema sea tratable para el hardware cuántico actual, la densidad continua $g(r)$ se remuestrea en una rejilla más gruesa. Las regiones de baja densidad se filtran utilizando un umbral $\tau_g$ . Esto reduce el problema de $\sim10^6$ puntos de rejilla a un número manejable de variables binarias (qubits).
Formulación QUBO: La predicción del sitio de hidratación se formula como un problema de optimización de Modelo de Mezcla Gaussiana (GMM), que luego se mapea a un problema de Optimización Binaria Cuadrática sin Restricciones (QUBO).
- Las variables binarias $x_i \in \{0, 1\}$ representan la presencia (1) o ausencia (0) de una molécula de agua en un sitio de rejilla específico $i$ .
- La función objetivo minimiza la diferencia de la norma $L_2$ entre la densidad 3D-RISM objetivo y la suma de las distribuciones Gaussianas seleccionadas.
- La matriz QUBO codifica sesgos lineales (energía libre de solvatación de sitios individuales) y términos cuadráticos (interacciones de pares), incluyendo penalizaciones por colocar moléculas de agua demasiado cerca unas de otras.
Optimización Cuántica: Las instancias QUBO resultantes se resuelven utilizando el solver de optimización Fire Opal de Q-CTRL en dispositivos cuánticos de IBM (específicamente procesadores Heron r2 y r3, de hasta 156 qubits). El solver emplea un ansatz variacional mejorado, compilación de circuitos eficiente y supresión de errores automatizada para mitigar el ruido.
Post-procesamiento: Los bitstrings óptimos generados por el solver cuántico se decodifican en coordenadas espaciales 3D, que representan las posiciones predichas de las moléculas de agua (PW).

Contribuciones Clave y Resultados

Demostración Experimental: El estudio ejecutó con éxito las predicciones de sitios de hidratación en hardware cuántico real para hasta 123 qubits (123 variables binarias). El conjunto de prueba incluyó seis complejos proteína-ligando (estructuras holo) y una estructura apo relevante para fármacos aprobados por la FDA.
Rendimiento del Solver: En las instancias probadas (hasta 116 variables), el solver cuántico de Q-CTRL demostró una probabilidad de éxito de encontrar la solución óptima (verificada contra solvers clásicos CPLEX) de aproximadamente el 9%. Esto superó significativamente al Recocido Simulado (SA), que encontró la solución óptima con solo un ~2% de probabilidad, y a un solver local voraz (greedy), que falló en encontrar el óptimo.
Análisis de Escalabilidad y Precisión:
- Los autores analizaron el impacto de la resolución de la rejilla ( $\delta$ ) y los umbrales de densidad ( $\tau_g$ ) en la precisión de la predicción.
- Al escalar el tamaño del problema hasta 900 variables utilizando heurísticas clásicas (SA) como un proxy para el potencial del solver cuántico, observaron que las métricas de precisión (fracción de aguas cristalinas identificadas, $C$ ; precisión, $P$ ) mejoran con el tamaño del problema.
- Para una instancia de 900 variables, el método predijo hasta un ~60% de las posiciones de las aguas cristalinas, con métricas de precisión comparables o mejores que los métodos clásicos rápidos existentes como Hydraprot, Placevent, Watgen y Dowser++.
Estimación de Recursos: El artículo proporciona una estimación de recursos para alcanzar la "utilidad cuántica" (superar a los solvers clásicos exactos) y la "ventaja cuántica" (superar a las heurísticas).
- Los solvers clásicos exactos tienen dificultades con instancias que superan las ~123 variables (tomando >3 horas sin converger).
- Se identifica una instancia de 900 variables, que requiere aproximadamente ~100,000 puertas de dos qubits, como el umbral donde el método se vuelve competitivo con otros enfoques.
- Basándose en la hoja de ruta del hardware de IBM, los autores proyectan que los conteos de qubits necesarios y las fidelidades de puerta con corrección de errores para abordar estas escalas podrían ser alcanzables para 2027–2029.

Significancia y Reivindicaciones
El artículo afirma demostrar la utilidad práctica del hardware NISQ para una tarea recurrente y de alto valor en el descubrimiento de fármacos: la predicción de la hidratación de los bolsillos proteicos. Los autores sostienen que su enfoque híbrido reproduce con éxito las predicciones experimentales en complejos proteína-ligando de la vida real con una precisión que coincide con los enfoques clásicos.

La significancia del trabajo radica en:

Prueba de Concepto: Valida el mapeo de problemas biológicos 3D complejos a formulaciones QUBO resolubles en el hardware cuántico digital actual.
Camino de Escalabilidad: El análisis de estimación de recursos indica que la utilidad cuántica total está al alcance a medida que los dispositivos escalen, lo que sugiere que la optimización cuántica puede mejorar sistemáticamente la precisión con el aumento del número de qubits.
Integración en el Pipeline: El método se posiciona como una herramienta para asistir en la configuración de cálculos de acoplamiento (docking) y la optimización de líderes de fármacos al proporcionar datos precisos de sitios de hidratación, reduciendo potencialmente el costo computacional de la preparación de complejos proteína-ligando para simulaciones posteriores.

Los autores mantienen una postura modesta, reconociendo que, si bien el hardware actual limita el tamaño del problema a ~100 variables, la metodología está diseñada para escalar. Señalan que lograr una ventaja cuántica definitiva sobre las heurísticas clásicas de vanguardia requiere más mejoras en el hardware (específicamente en la fidelidad de las puertas y la corrección de errores) que se esperan en el futuro cercano.

Más como este