⚛️ quantum physics

Quantum Approximate Optimisation Algorithm for Protein Sidechain Packing

Este artículo presenta un flujo de trabajo híbrido cuántico-clásico que utiliza el Algoritmo de Optimización Aproximada Cuántica (QAOA) con un ansatz de preservación de restricciones para resolver eficientemente el problema de empaquetamiento de cadenas laterales de proteínas, el cual es NP-duro, en esqueletos de AlphaFold2, demostrando una mejora en la energía conformacional y un rendimiento escalable en comparación con la búsqueda exhaustiva clásica.

Autores originales: Sebastian O. M. Stewart, Nick Chancellor, Jonte R Hance, Ittoop Vergheese Puthoor

Publicado 2026-09-28

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Sebastian O. M. Stewart, Nick Chancellor, Jonte R Hance, Ittoop Vergheese Puthoor

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 de trabajo de la vida, diminas máquinas moleculares que impulsan los procesos químicos que nos mantienen vivos. Para funcionar, una proteína debe plegarse en una forma tridimensional específica y estable, de forma muy parecida a como una cadena larga y flexible se retuerce en un nudo preciso. Los científicos se han vuelto muy buenos prediciendo el esqueleto principal de esta cadena, la columna vertebral central que sostiene la estructura. Sin embargo, el paso final y crucial consiste en disponer las ramas químicas más pequeñas, conocidas como cadenas laterales, que brotan de este esqueleto. Estas ramas determinan cómo interactúa la proteína con otras moléculas, como los fármacos que intentan unirse a ella. Si estas cadenas laterales se colocan incluso ligeramente de forma incorrecta, la función de la proteína puede fallar, o un fármaco podría errar su objetivo por completo. Aunque los programas informáticos modernos pueden predecir la forma principal con alta fiabilidad, a menudo tienen dificultades para posicionar estas ramas laterales con la misma precisión, lo que deja un vacío en nuestra capacidad para diseñar medicamentos eficaces.

Investigadores de la Universidad de Newcastle han desarrollado un nuevo método para cerrar esta brecha, utilizando un enfoque híbrido que combina la computación clásica con técnicas de computación cuántica. Su objetivo era tomar una estructura proteica predicha por una potente herramienta llamada AlphaFold y refinar las posiciones de sus cadenas laterales para hallar la disposición más estable y de menor energía. En el mundo del plegamiento de proteínas, encontrar esta disposición perfecta es un rompecabezas notoriamente difícil. El número de formas posibles de disponer las ramas laterales crece tan rápidamente que comprobar cada posibilidad individual se vuelve imposible incluso para las supercomputadoras más rápidas una vez que la proteína alcanza un tamaño considerable. Esto se conoce como un problema NP-duro, una clasificación para tareas donde la dificultad explota a medida que aumenta el tamaño del problema.

Para abordar esto, el equipo construyó un flujo de trabajo que primero utiliza software estándar para preparar los datos de la proteína, seleccionando un conjunto manejable de formas posibles para cada cadena lateral. Luego, entregaron este problema refinado a un algoritmo cuántico conocido como Algoritmo de Optimización Aproximada Cuántica, o QAOA (por sus siglas en inglés). Este algoritmo está diseñado para buscar a través de vastas posibilidades para encontrar la mejor solución. Un obstáculo importante al usar computadoras cuánticas para esta tarea es que, por naturaleza, exploran todas las combinaciones, incluyendo muchas que son físicamente imposibles, como una sola cadena lateral estando en dos lugares a la vez. Los investigadores resolvieron esto diseñando un punto de partida especial y un conjunto específico de reglas sobre cómo evoluciona el sistema cuántico. Comenzaron con un estado donde cada posición posible era igualmente probable, y luego utilizaron un proceso de mezcla circular que barajaba estas posibilidades sin permitir jamás que el sistema abandonara el ámbito de las disposiciones válidas de una sola posición. Esta ingeniosa configuración eliminó la necesidad de términos de penalización complejos que suelen ralentizar el cálculo, permitiendo que el sistema se centrara enteramente en encontrar el estado de menor energía.

El equipo probó su método en una proteína específica llamada inhibidor de la tripsina pancreática bovina, utilizando regiones de alta confianza y de confianza moderada de la predicción de AlphaFold. En las áreas donde la predicción original ya era muy sólida, el método cuántico coincidió mayoritariamente con el resultado existente, encontrando ocasionalmente disposiciones ligeramente mejores. Sin embargo, en las regiones donde la predicción original era menos certera, el nuevo método mostró una promesa significativa. En estas zonas de confianza moderada, el enfoque cuántico encontró disposiciones sustancialmente más estables, con mejoras de energía que promediaron más de ocho kilocalorías por mol y alcanzaron picos de más de dieciséis kilocalorías por mol. Estos resultados sugieren que el método es particularmente eficaz para corregir errores en áreas donde la predicción inicial era más débil.

Crucialmente, los investigadores no solo afirmaron estas mejoras, sino que desarrollaron una forma de medir cuántos intentos, o "disparos" (shots), necesitaría una computadora cuántica para encontrar de manera fiable la mejor respuesta a medida que crecía el tamaño del problema. Encontraron que, si bien el número de intentos requeridos aumenta, crece a un ritmo que permanece manejable para la computación de alto rendimiento, manteniéndose muy por debajo de la explosión exponencial vista en los métodos clásicos para ciertos tipos de proteínas. El estudio confirma que este flujo de trabajo híbrido puede reempaquetar las cadenas laterales para reducir la energía de una estructura proteica, ofreciendo una herramienta potencial para mejorar la precisión en el descubrimiento de fármacos. El trabajo sigue siendo una simulación, ejecutándose en potentes procesadores gráficos en lugar de en hardware cuántico físico, pero demuestra que el marco matemático es sólido y está listo para futuras pruebas en dispositivos cuánticos reales. Al desacoplar el proceso de optimización de la calidad de la predicción inicial, el método proporciona una forma fiable de buscar la mejor estructura posible dentro de un conjunto dado de opciones, independientemente de qué tan bueno fuera el punto de partida.

Resumen Técnico: Algoritmo de Optimización Aproximada Cuántica para el Empaquetamiento de Cadena Lateral de Proteínas

Planteamiento del Problema
El empaquetamiento de las cadenas laterales de las proteínas es un subproblema crítico en el plegamiento de proteínas, que determina la disposición tridimensional de las cadenas laterales de los aminoácidos (rotámeros) con respecto a una estructura principal (backbone) fija. Este proceso es esencial para el descubrimiento de fármacos basado en la estructura, ya que los sitios de unión están definidos por estas conformaciones de cadena lateral. Aunque herramientas como AlphaFold2 predicen de forma fiable las estructuras principales de las proteínas, la posición de sus cadenas laterales puede desviarse de los datos experimentales hasta en un 20%. La recuperación de la asignación de rotámeros de menor energía para una estructura principal fija es un problema de optimización combinatoria NP-duro. Las heurísticas clásicas, como la búsqueda de Monte Carlo estocástica de Rosetta, no garantizan la optimalidad global. Este artículo propone un flujo de trabajo híbrido cuántico-clásico para abordar esto, reformulando la minimización de la energía de la cadena lateral como un problema de Optimización Binaria Cuadrática Sin Restricciones (QUBO) resoluble mediante el Algoritmo de Optimización Aproximada Cuántica (QAOA).

Metodología
El flujo de trabajo propuesto opera en tres etapas: preprocesamiento, optimización QAOA y postprocesamiento.

Preprocesamiento y Reducción de Estructura Principal Fija:
Utilizando PyRosetta, el flujo de trabajo analiza una subsección de la proteína (por ejemplo, el inhibidor de la tripsina pancreática bovina, 5PTI) para fijar las coordenadas de la estructura principal derivadas de AlphaFold2. Genera una biblioteca discreta de rotámeros válidos basada en las librerías de Dunbrack. Para gestionar la complejidad computacional, el conjunto de rotámeros se poda mediante una selección de ronda única (round-robin) basada en energías de un cuerpo, limitando el número de candidatos ( $R$ ) por residuo. Esto reduce la tarea a seleccionar exactamente un rotámero por residuo del conjunto podado para minimizar la energía conformacional total.
Formulación QUBO:
La función de energía de pares (que comprende términos de interacción de un cuerpo y de dos cuerpos) se codifica en un Hamiltoniano de costo ( $H_C$ ) utilizando operadores Pauli-Z. Se emplea un esquema de codificación one-hot, asignando un qubit por cada rotámero válido. Esto resulta en un crecimiento lineal del recuento de qubits ( $MN$ para $M$ residuos y $N$ rotámeros promedio) pero una escala cuadrática de los términos del Hamiltoniano de costo en el peor de los casos, aunque la dispersión práctica reduce esto a $O(MN \cdot d)$ .
Ansatz de Preservación de Restricciones:
Para imponer la restricción "one-hot" (seleccionar exactamente un rotámero por residuo) sin depender de términos de penalización en la función de costo, los autores introducen un ansatz específico:

Estado Inicial: El sistema se inicializa en un estado W, una superposición igual de todos los estados base de una sola excitación para cada subregistro de residuo. Esto asegura que el sistema comience dentro del subespacio válido de peso de Hamming-1.
Hamiltoniano Mezclador (Mixer): En lugar de un mezclador de grafo totalmente conectado (que escala como $O(MN^2)$ en puertas de dos qubits), se utiliza un mezclador de anillo XY cíclico. Esto restringe las interacciones a rotámeros adyacentes en un bucle cerrado. Esta topología preserva el peso de Hamming (asegurando que la validez se mantenga durante la evolución) y reduce la escala de las puertas de dos qubits a $O(MN)$ .
Estrategia de Optimización: Se utiliza un enfoque de arranque en caliente (warm-starting), donde los parámetros para circuitos más profundos ( $p$ ) se inicializan utilizando los parámetros optimizados de circuitos más superficiales, con las nuevas capas rellenas con ceros (zero-padded) y perturbadas con ruido Gaussiano para escapar de los puntos de silla.

Métricas de Evaluación:

$\Delta E$ : La diferencia de energía entre el resultado de QAOA y la línea de base de AlphaFold ( $E_{QAOA} - E_{AF}$ ). Los resultados se clasifican como Victorias (Wins) ( $\Delta E < -1.5$ kcal/mol), Empates (Ties) ( $|\Delta E| \le 1.5$ kcal/mol) o Derrotas (Losses) ( $\Delta E > 1.5$ kcal/mol).
$S(N)$ (Métrica de Escalamiento de Disparos Asintótico): Una métrica definida para estimar el número de disparos (shots) necesarios para recuperar la Conformación de Mínima Energía Global (GMEC) con una probabilidad del 99.99%. Esto se calcula frente a una verdad de terreno experimentalmente resuelta (buscada exhaustivamente para subsistemas pequeños) para desacoplar la calidad del optimizador de la calidad de la línea de base de AlphaFold.

Resultados Clave
El flujo de trabajo fue evaluado en la proteína 5PTI utilizando simulaciones de estado vectorial clásicas en GPUs.

Regiones de Alta Confianza (pLDDT > 90): En regiones donde las predicciones de la estructura principal y de las cadenas laterales de AlphaFold son altamente fiables, el flujo de trabajo QAOA mostró una mejora limitada respecto a la línea de base. Las victorias ocurrieron en el 15.6% de las ejecuciones para 5–14 qubits, concentradas en ventanas de residuos específicas (por ejemplo, 60–63). A medida que el recuento de qubits aumentó a 18 y 22, la tasa de victorias cayó a cero, con resultados que predominantemente se convirtieron en empates. Los autores atribuyen esto a la "penalización de discretización": forzar las conformaciones continuas, ya de por sí casi óptimas, de AlphaFold en una librería discreta finita a menudo resulta en estados de mayor energía, no porque el solver cuántico haya fallado, sino porque el espacio de búsqueda discreto es más restrictivo que la línea de base continua.
Regiones de Confianza Moderada (pLDDT $\approx$ 80): En regiones donde la colocación de la cadena lateral de AlphaFold es menos fiable, el flujo de trabajo logró mejoras significativas. En 1,500 ejecuciones (5–14 qubits), el 54% fueron victorias, con una mejora media de -8.114 kcal/mol y un pico de -16.265 kcal/mol. Los autores aclaran que estas ganancias reflejan la debilidad de la línea de base de AlphaFold en estas regiones más que una superioridad inherente del solver cuántico, ya que $S(N)$ confirma la capacidad del optimizador para encontrar la mejor opción dentro del conjunto de candidatos independientemente de la línea de base.
Escalamiento de Disparos ( $S(N)$ ): El crecimiento ajustado del recuento de disparos ( $e^{0.31N}$ ) se mantuvo por debajo de la tasa de búsqueda exhaustiva clásica para la flexibilidad de rotámeros moderada. La métrica demostró que la sobrecarga de muestreo es sensible al paisaje energético local específico y a la selección de residuos, no solo al recuento total de qubits.

Significancia y Reivindicaciones
El artículo afirma presentar un flujo de trabajo híbrido cuántico-clásico viable que aborda con éxito el problema NP-duro del empaquetamiento de cadenas laterales. Sus contribuciones principales son:

Ansatz de Preservación de Restricciones: Un nuevo uso combinado de la inicialización de estado W y un mezclador de anillo XY cíclico que impone la validez one-hot estructuralmente, eliminando la necesidad de términos de penalización y reduciendo la escala de las puertas de dos qubits de $O(MN^2)$ a $O(MN)$ .
Evaluación Independiente de la Línea de Base: La introducción de la métrica $S(N)$ permite la evaluación del rendimiento de QAOA frente al óptimo teórico (GMEC) de forma independiente a la calidad de la estructura inicial de AlphaFold. Esto distingue entre el fallo del solver y las limitaciones inherentes de la discretización de un problema continuo.
Prueba de Concepta: El trabajo demuestra que la optimización cuántica puede reducir la energía conformacional en comparación con las líneas de base de AlphaFold, particularmente en regiones donde la línea de base clásica es más débil.

Los autores mantienen la modestia respecto a las implicaciones más amplias, señalando que las mejoras de energía observadas en las regiones de confianza moderada pueden ser artefactos de la débil línea de base más que una demostración de ventaja cuántica en la resolución del problema en sí. Enfatizan que se requiere una validación posterior contra la afinidad de unión y la estabilidad estructural para establecer la utilidad del método para el descubrimiento de fármacos. Además, el presupuesto de generalización de $S(N)$ para otras proteínas que no sean 5PTI y el impacto del ruido del hardware en los dispositivos cuánticos reales siguen siendo preguntas abiertas.

Más como este