Lossless Reductions and Hybrid Sampling for Phylogeny Using the Maximum Compatibility Criterion
Este artículo mejora la reconstrucción filogenética de compatibilidad máxima mediante la introducción de reducciones de grafos sin pérdida y técnicas de muestreo híbrido cuántico-clásico para enumerar eficientemente todos los conjuntos de caracteres óptimos, demostrando su efectividad en datos de SARS-CoV-2 al tiempo que aborda las limitaciones de los multiplicadores de Lagrange tradicionales en dispositivos cuánticos con ruido.
Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo
La vida en la Tierra es una historia escrita en el código genético de cada ser vivo, una historia de cómo las poblaciones se dividieron, migraron y cambiaron a lo largo de millones de años. Para leer esta historia, los científicos construyen árboles genealógicos, conocidos como filogenias, que mapean las relaciones entre diferentes organismos. Estos árboles no son solo curiosidades académicas; ayudan a los investigadores a comprender cómo evoluciona el cáncer dentro de un solo cuerpo, cómo diseñar fármacos que ataquen patógenos específicos y cómo rastrear la propagación de nuevas variantes virales como el SARS-CoV-2. Sin embargo, reconstruir estos árboles es difícil porque solo tenemos las instantáneas genéticas de los organismos vivos actuales, no el registro completo del pasado. Los científicos deben inferir el camino más probable de la evolución a partir de los datos que poseen, buscando patrones que sugieran cómo se transmitieron o cambiaron los rasgos.
Una forma poderosa de hacer esto es encontrando el grupo más grande de rasgos genéticos que encajen perfectamente en un solo árbol sin contradicciones. Imagine un rompecabezas donde la mayoría de las piezas encajan fácilmente, pero algunas están deformadas o han sido moldeadas por la evolución convergente, donde especies no relacionadas desarrollan rasgos similares de forma independiente. El objetivo es encontrar el conjunto más grande de piezas que formen una imagen coherente, ignorando las que rompen el patrón. Esto se conoce como el problema de la máxima compatibilidad. Si bien encontrar solo una buena solución es difícil, encontrar todas las posibles mejores soluciones es aún más difícil, pero es crucial para construir un árbol genealógico completo y preciso. Si los científicos solo encuentran una solución, podrían pasar por alto historias alternativas importantes que los datos respaldan.
Un equipo de investigadores ha desarrollado un nuevo enfoque para resolver este difícil rompecabezas, combinando técnicas informáticas clásicas con métodos cuánticos emergentes para encontrar no solo una, sino todas las mejores posibles estructuras evolutivas. Su trabajo se centra en un paso específico del proceso en el que la computadora debe filtrar millones de posibilidades para encontrar los grupos más grandes de rasgos compatibles. Los investigadores descubrieron que, mientras que los métodos tradicionales son buenos para encontrar una sola respuesta, a menudo tienen dificultades para capturar la plena diversidad de soluciones igualmente buenas. Para solucionar esto, introdujeron una estrategia de dos partes: primero, crearon un conjunto de reglas para reducir el enorme rompecabezas a un tamaño manejable sin perder ninguna de las respuestas posibles; segundo, probaron una nueva forma de usar computadoras cuánticas para muestrear estas soluciones, tratando a la máquina cuántica no como un solucionador mágico, sino como una herramienta para generar un conjunto diverso de candidatos que puedan ser limpiados y verificados por computadoras clásicas.
Los investigadores comenzaron examinando los datos de cientos de miles de secuencias del virus SARS-CoV-2, un conjunto de datos lo suficientemente grande como para probar los límites de la tecnología actual. Descubrieron que la forma estándar de usar computadoras cuánticas para resolver este problema no era óptima. Normalmente, los algoritmos cuánticos están ajustados para aplicar estrictamente las reglas, asegurando que cada candidato solución siga perfectamente las leyes del rompecabezas. Sin embargo, el equipo descubrió que, en dispositivos cuánticos reales y ruidosos, esta rigidez era un obstáculo. En su lugar, descubrieron que era mejor permitir que la computadora cuántica produjera candidatos "desordenados" que pudieran romper algunas reglas, y luego usar un programa de computadora clásico rápido para corregirlos. Este proceso de reparación es como un editor experto que toma un borrador tosco y lo pule hasta convertirlo en una versión final y perfecta. Al permitir que la máquina cuántica explorara un rango más amplio de posibilidades y luego limpiar los resultados, pudieron encontrar soluciones más distintas que al intentar forzar a la máquina cuántica a ser perfecta desde el principio.
Para que este proceso fuera lo suficientemente eficiente para la tecnología actual, el equipo también desarrolló un método para comprimir el problema antes de enviarlo a la computadora cuántica. Se dieron cuenta de que muchas partes de los datos genéticos eran tan predecibles que podían eliminarse del cálculo por completo, siempre y cuando los investigadores mantuvieran un registro de cómo volver a insertarlas más tarde. Esto es similar a quitar el marco de una pintura para ver el lienzo debajo, sabiendo exactamente cómo volver a sujetarlo. Al aplicar estas reglas de reducción sin pérdida, pudieron reducir un gráfico complejo que representa los datos genéticos de cientos de nodos a solo un puñado. En un caso de prueba específico que involucraba 350 muestras de virus, su método redujo el problema de un grafo con 64 puntos a un grafo diminuto y simple de solo cinco puntos. Esto significó que el paso final de encontrar la respuesta se volvió trivial, permitiéndoles recuperar el conjunto completo de árboles evolutivos óptimos con certeza.
Los resultados de sus experimentos mostraron una diferencia clara entre encontrar una respuesta y encontrar todas ellas. Cuando utilizaron herramientas clásicas estándar para encontrar la mejor solución, tuvieron éxito en encontrar un único resultado principal. Sin embargo, cuando intentaron encontrar todas las diferentes formas en que los datos podrían organizarse, esas mismas herramientas a menudo pasaban por alto muchas soluciones válidas, incluso después de ejecutarse miles de veces. Su enfoque híbrido, que combinaba la compresión de grafos con un método de muestreo cuántico modificado, demostró ser mucho mejor para descubrir esta diversidad oculta. En un grafo de prueba de 64 puntos, su método cuántico modificado encontró más soluciones distintas y verificadas que un método de adivinación aleatoria en cada uno de los ensayos. Si bien esto aún no demostraba que las computadoras cuánticas fueran superiores a las clásicas para esta tarea, demostró que la combinación de una reducción inteligente de datos y el muestreo cuántico es una forma poderosa de abordar problemas que anteriormente eran demasiado grandes o complejos para resolverse completamente.
En última instancia, este trabajo sugiere un nuevo camino a seguir para la biología evolutiva. Al tratar el problema como un sistema modular donde los datos primero se simplifican, luego se muestrean y finalmente se reconstruyen, los científicos pueden ahora manejar conjuntos de datos mucho más grandes que antes. Los investigadores demostraron que podían tomar un conjunto masivo de secuencias virales, despojar de las partes predecibles, usar un dispositivo cuántico para explorar el núcleo complejo restante y luego reconstruir la imagen completa con total exactitud. Este enfoque no depende de que las computadoras cuánticas sean perfectas o estén libres de errores; en cambio, las utiliza como una fuente de ideas diversas que luego son refinadas por la lógica clásica. A medida que la tecnología cuántica continúe mejorando, este método de combinar las fortalezas de la computación clásica y la cuántica podría permitir a los científicos reconstruir la historia de la vida con un nivel de detalle y completitud que antes estaba fuera de su alcance.
¿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.