Logarithmic-scale variational quantum eigensolver for off-lattice protein structure prediction in continuous torsional angle space
Este artículo presenta un algoritmo de eigensolver cuántico variacional a escala logarítmica que permite la primera predicción de la estructura de proteínas de átomo completo y fuera de la red en un espacio torsional continuo al reducir los requisitos de cúbits de lineales a logarítmicos, demostrando con éxito la recuperación de estructuras nativas para proteínas pequeñas tanto en simuladores como en hardware cuántico real.
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
Las proteínas son las máquinas moleculares que mantienen la vida en funcionamiento, plegándose en intrincadas formas tridimensionales para realizar sus tareas. Predecir exactamente cómo una cadena de aminoácidos se retorcerá y girará para alcanzar su forma final y funcional ha sido uno de los acertijos más persistentes de la biología. Durante décadas, los científicos han dependido de potentes computadoras clásicas para simular estas formas, pero el número de formas posibles en las que una proteína puede contorsionarse es tan vasto que incluso las supercomputadoras más rápidas luchan por encontrar la respuesta correcta sin perderse. Recientemente, una nueva herramienta ha entrado en el campo: la computadora cuántica. A diferencia de las máquinas tradicionales que procesan información en bits binarios, las computadoras cuánticas utilizan bits cuánticos, o qubits, que pueden existir en múltiples estados a la vez, ofreciendo un posible atajo a través del laberinto de posibilidades. Sin embargo, los primeros intentos de utilizar estas máquinas para el plegamiento de proteínas se limitaron a modelos simplificados y de bloques que perdían los detalles finos de la biología real.
Un equipo de investigadores de la Cleveland Clinic ha dado ahora un paso significativo al demostrar un método que utiliza computadoras cuánticas para predecir estructuras de proteínas en un espacio continuo de todos los átomos, un nivel de detalle que antes se consideraba imposible para el hardware cuántico a corto plazo. Su trabajo, publicado como un artículo de investigación, introduce un nuevo algoritmo llamado Quantum Torsion Folder (Plegador de Torsión Cuántica). En lugar de forzar a las proteínas a una rejilla rígida, este método trata a la proteína como una cadena flexible de ángulos, codificando los ángulos de torsión de la columna vertebral y las cadenas laterales directamente en las fases de un estado cuántico. Mediante el uso de una estrategia de escalado logarítmico, el equipo demostró que podían representar la compleja geometría de una proteína utilizando exponencialmente menos qubits de los que requieren los métodos tradicionales. En las simulaciones, este enfoque generó con éxito modelos de dos proteínas pequeñas, chignolina y Trp-cage, que se asemejaban estrechamente a sus formas determinadas experimentalmente. Cuando los investigadores probaron el método en hardware cuántico real, recuperaron estructuras similares a las nativas, demostrando que la señal cuántica podía sobrevivir al ruido de los dispositivos del mundo real, aunque los resultados variaron según la máquina específica utilizada.
El desafío central en el plegamiento de proteínas es navegar por un paisaje de posibilidades que crece exponencialmente con el tamaño de la proteína. Imagine intentar encontrar una disposición específica de una cuerda larga y flexible entre miles de millones de otras formas en las que podría estar enredada. Las computadoras clásicas a menudo se quedan atrapadas en valles locales, encontrando una forma que es estable pero que no es la correcta. Los investigadores abordaron esto cambiando el enfoque de las coordenadas espaciales a los ángulos en los que se dobla la cadena proteica. En su nuevo marco de trabajo, un circuito cuántico actúa como un generador, creando una compleja onda de probabilidades que codifica estos ángulos de flexión. Una computadora clásica actúa entonces como evaluadora, tomando estos ángulos y construyendo un modelo 3D completo de la proteína para comprobar su estabilidad física, calificándolo según qué tan bien encajan los átomos y cuánta energía requiere la estructura. Esto crea un bucle donde la computadora cuántica sugiere una forma, la computadora clásica la califica y la computadora cuántica ajusta sus parámetros para intentarlo de nuevo, refinando gradualmente la estructura hacia un plegamiento estable.
Para que esto funcionara en las máquinas cuánticas actuales, el equipo tuvo que resolver un problema difícil: las computadoras cuánticas no pueden leer directamente las fases complejas que contienen la información de los ángulos. En un simulador perfecto, estas fases son visibles, pero en el hardware real, solo se pueden observar las probabilidades de medir ciertos estados. Los investigadores desarrollaron un ingenioso truco para sortear esto. Mapearon las probabilidades observadas en una distribución acumulativa, traduciendo efectivamente la salida ruidosa y medible del chip cuántico en los ángulos continuos necesarios para construir el modelo de la proteína. Esto les permitió ejecutar el mismo algoritmo tanto en simuladores de alta fidelidad como en procesadores cuánticos reales, cerrando la brecha entre el diseño teórico y la ejecución práctica.
El equipo probó su método en dos proteínas miniatura bien conocidas: la chignolina, un péptido pequeño de diez residuos que se pliega en una forma de horquilla apretada, y la Trp-cage, una proteína de veinte residuos ligeramente más grande con una mezcla más compleja de hélices y bucles. Ejecutaron miles de simulaciones independientes para cada proteína, utilizando tres sistemas de puntuación de energía diferentes para evaluar los resultados: una función diseñada específicamente para esta tarea, el ampliamente utilizado software Rosetta y el motor de física OpenMM. En las simulcciones, el método resultó notablemente eficaz para muestrear las formas correctas. Para la chignolina, los mejores modelos alcanzaron un alto grado de precisión, con algunos instantáneas que diferían de la estructura experimental real por menos de un ángstrom, una distancia menor que el ancho de un solo átomo. Incluso para la más difícil Trp-cage, el método encontró estructuras mucho más cercanas a la forma nativa que los modelos finales seleccionados, lo que sugiere que la computadora cuántica estaba explorando con éxito las regiones correctas del paisaje de plegamiento.
Un conocimiento clave del estudio fue que el modelo final producido por el proceso de optimización no siempre era el más preciso. Los investigadores descubrieron que, al mantener un registro de miles de instantáneas de baja energía tomadas durante el viaje del plegamiento, a menudo podían encontrar una estructura que era significamente mejor que la que el algoritmo establecía al final. Esto sugiere que la computadora cuántica es excelente para explorar el vasto espacio de posibilidades y encontrar candidatos prometedores, pero el desafío radica en seleccionar al único mejor candidato de ese grupo. La función de energía personalizada funcionó mejor para guiar el sistema hacia formas compactas y similares a las nativas, mientras que los otros sistemas de puntuación a veces favorecían estructuras que eran físicamente estables pero geométricamente más alejadas del plegamiento real.
Para verificar que este enfoque funciona en hardware real, el equipo ejecutó sus mejores parámetros de simulación en dos procesadores cuánticos diferentes de IBM: el ibm_cleveland y el ibm_miami. Ejecutaron el mismo circuito 300 veces en cada máquina para tener en cuenta la aleatoriedad inherente y el ruido de las mediciones cuánticas. Los resultados fueron alentadores: en el ibm_cleveland, el método recuperó estructuras similares a las nativas en 88 de los 300 intentos, con el mejor modelo alcanzando una precisión de 1.758 ángstroms. En el ibm_miami, la tasa de recuperación fue menor, con 4 de los 300 estructuras exitosas, y el mejor modelo alcanzó los 1.782 ángstroms. La diferencia en el rendimiento destacó que, si bien el algoritmo es robusto, la arquitectura del hardware específico, la calibración y las características de ruido del procesador cuántico juegan un papel importante en el resultado final. Los investigadores señalaron que los trabajos en el ibm_miami tardaron significativamente más en ejecutarse a pesar de tener menos puertas, lo que indica que factores más allá del tamaño simple del circuito, como la programación de pulsos y los retrasos de medición, afectan la eficiencia.
El estudio concluye que la predicción de la estructura de proteínas de alta resolución es factible en el hardware cuántico de corto plazo, siempre que el problema se plantee de una manera que respete las limitaciones de la máquina. Al convertir el problema de una búsqueda de coordenadas espaciales a una búsqueda de ángulos de torsión codificados en fases cuánticas, el equipo redujo el requisito de qubits a un nivel manejable, permitiendo el modelado de todos los átomos en un espacio continuo. Si bien el método aún enfrenta desafíos, particularmente en la precisión de la puntuación de energía y la sobrecarga de lectura de resultados de hardware ruidoso, establece una base escalable para el futuro. El trabajo demuestra que las computadoras cuánticas pueden ir más allá de los modelos gruesos y simplificados para abordar la geometría realista y continua de las moléculas biológicas, ofreciendo una nueva vía para comprender los mecanismos fundamentales de la vida.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.