Logarithmic-scale variational quantum eigensolver for off-lattice protein structure prediction in continuous torsional angle space
Cet article introduit un algorithme de l'éigensolvant quantique variationnel à échelle logarithmique qui permet la première prédiction de structure protéique tout-atome, hors réseau, dans un espace de torsion continu en réduisant les besoins en qubits d'une échelle linéaire à une échelle logarithmique, démontrant avec succès la récupération d'une structure quasi native pour de petites protéines tant sur des simulateurs que sur du matériel quantique réel.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Les protéines sont les machines moléculaires qui font fonctionner la vie, se repliant en formes tridimensionnelles complexes pour accomplir leurs tâches. Prédire exactement comment une chaîne d'acides aminés va se tordre et pivoter pour prendre sa forme finale et fonctionnelle a été l'un des puzzles les plus tenaces de la biologie. Pendant des décennies, les scientifiques se sont appuyés sur de puissants ordinateurs classiques pour simuler ces formes, mais le nombre colossal de manières possibles dont une protéine peut se contorsionner est si vaste que même les supercalculateurs les plus rapides peinent à trouver la bonne réponse sans s'égarer. Récemment, un nouvel outil est entré dans le domaine : l'ordinateur quantique. Contrairement aux machines traditionnelles qui traitent l'information en bits binaires, les ordinateurs quantiques utilisent des bits quantiques, ou qubits, qui peuvent exister dans plusieurs états simultanément, offrant un raccourci potentiel à travers le labyrinthe des possibilités. Cependant, les premières tentatives d'utilisation de ces machines pour le repliement des protéines étaient limitées à des modèles simplifiés et grossiers qui manquaient les détails fins de la biologie réelle.
Une équipe de chercheurs de la Cleveland Clinic a franchi une étape importante en démontrant une méthode qui utilise les ordinateurs quantiques pour prédire les structures protéiques dans un espace continu et atomique complet, un niveau de détail auparavant jugé impossible pour le matériel quantique à court terme. Leur travail, publié sous forme d'article de recherche, introduit un nouvel algorithme appelé le « Quantum Torsion Folder ». Au lieu de forcer les protéines sur une grille rigide, cette méthode traite la protéine comme une chaîne d'angles flexibles, encodant les angles de torsion du squelette et des chaînes latérales directement dans les phases d'un état quantique. En utilisant une stratégie d'échelle logarithmique, l'équipe a montré qu'elle pouvait représenter la géométrie complexe d'une protéine en utilisant exponentiellement moins de qubits que les méthodes traditionnelles ne le requièrent. Lors des simulations, cette approche a généré avec succès des modèles de deux petites protéines, la chignoline et la Trp-cage, qui ressemblaient étroitement à leurs formes déterminées expérimentalement. Lorsque les chercheurs ont testé la méthode sur du matériel quantique réel, ils ont récupéré des structures de type natif, prouvant que le signal quantique pouvait survivre au bruit des dispositifs du monde réel, bien que les résultats varient selon la machine spécifique utilisée.
Le défi central du repliement des protéines est de naviguer dans un paysage de possibilités qui croît exponentiellement avec la taille de la protéine. Imaginez essayer de trouver un arrangement spécifique parmi des milliards d'autres façons dont une longue corde flexible pourrait être emmêlée. Les ordinateurs classiques se retrouvent souvent coincés dans des vallées locales, trouvant une forme qui est stable mais qui n'est pas la bonne. Les chercheurs ont abordé ce problème en déplaçant l'attention des coordonnées spatiales vers les angles auxquels la chaîne protéique se courbe. Dans leur nouveau cadre, un circuit quantique agit comme un générateur, créant une onde complexe de probabilités qui encode ces angles de flexion. Un ordinateur classique agit ensuite comme un évaluateur, prenant ces angles et construisant un modèle 3D complet de la protéine pour vérifier sa stabilité physique, en le notant selon la manière dont les atomes s'assemblent et la quantité d'énergie que la structure nécessite. Cela crée une boucle où l'ordinateur quantique suggère une forme, l'ordinateur classique la note, et l'ordinateur quantique ajuste ses paramètres pour réessayer, affinant progressivement la structure vers un repliement stable.
Pour faire fonctionner cela sur les machines quantiques actuelles, l'équipe a dû résoudre un problème délicat : les ordinateurs quantiques ne peuvent pas lire directement les phases complexes qui détiennent l'information sur les angles. Sur un simulateur parfait, ces phases sont visibles, mais sur un matériel réel, seules les probabilités de mesurer certains états peuvent être observées. Les chercheurs ont développé un contournement ingénieux. Ils ont projeté les probabilités observées dans une distribution cumulative, traduisant efficacement la sortie bruitée et mesurable de la puce quantique en angles continus nécessaires pour construire le modèle de la protéine. Cela leur a permis de faire fonctionner le même algorithme sur des simulateurs de haute fidélité et sur de vrais processeurs quantiques, comblant ainsi le fossé entre la conception théorique et l'exécution pratique.
L'équipe a testé sa méthode sur deux protéines miniatures bien connues : la chignoline, un petit peptide de dix résidus qui se replie en une forme de épingle à cheveux serrée, et la Trp-cage, une protéine légèrement plus grande de vingt résidus avec un mélange plus complexe d'hélices et de boucles. Ils ont lancé des milliers de simulations indépendantes pour chaque protéine, en utilisant trois systèmes de notation d'énergie différents pour évaluer les résultats : une fonction personnalisée conçue spécifiquement pour cette tâche, le logiciel largement utilisé Rosetta et le moteur physique OpenMM. Dans les simulations, la méthode s'est révélée remarquablement efficace pour échantillonner les formes correctes. Pour la chignoline, les meilleurs modèles ont atteint un haut degré de précision, certains instantanés différant de la structure expérimentale réelle de moins d'un angström, une distance plus petite que la largeur d'un seul atome. Même pour la plus difficile Trp-cage, la méthode a trouvé des structures beaucoup plus proches de la forme native que les modèles finaux sélectionnés, suggérant que l'ordinateur quantique explorait avec succès les bonnes régions du paysage de repliement.
Un aperçu clé de l'étude est que le modèle final produit par le processus d'optimisation n'était pas toujours le plus précis. Les chercheurs ont constaté qu'en gardant une trace de milliers d'instantanés de faible énergie pris pendant le voyage de repliement, ils pouvaient souvent trouver une structure nettement meilleure que celle sur laquelle l'algorithme s'est arrêté à la toute fin. Cela suggère que l'ordinateur quantique est excellent pour explorer le vaste espace des possibilités et trouver des candidats prometteurs, mais que le défi réside dans la sélection du meilleur candidat parmi ce groupe. La fonction d'énergie personnalisée a le mieux performé pour guider le système vers des formes compactes et de type natif, tandis que les autres systèmes de notation favorisaient parfois des structures qui étaient physiquement stables mais géométriquement plus éloignées du repliement réel.
Pour vérifier que cette approche fonctionne sur du matériel réel, l'équipe a exécuté ses meilleurs paramètres de simulation sur deux processeurs quantiques différents d'IBM : l'ibm_cleveland et l_ibm_miami. Ils ont exécuté le même circuit 300 fois sur chaque machine pour tenir compte du caractère aléatoire et du bruit inhérents aux mesures quantiques. Les résultats sont encourageants : sur l'ibm_cleveland, la méthode a récupéré des structures de type natif dans 88 cas sur 300, le meilleur modèle atteignant une précision de 1,758 angström. Sur l'ibm_miami, le taux de récupération était plus faible, avec 45 structures réussies sur 300, et le meilleur modèle atteignant 1,782 angström. La différence de performance a souligné que, bien que l'algorithme soit robuste, l'architecture matérielle spécifique, le calibrage et les caractéristiques de bruit du processeur quantique jouent un rôle majeur dans le résultat final. Les chercheurs ont noté que les tâches sur l'ibm_miami ont pris nettement plus de temps à s'exécuter malgré un nombre de portes inférieur, indiquant que des facteurs au-delà de la simple taille du circuit, tels que l'ordonnancement des impulsions et les délais de mesure, affectent l'efficacité.
L'étude conclut que la prédiction de la structure des protéines à haute résolution est réalisable sur le matériel quantique à court terme, à condition que le problème soit formulé de manière à respecter les limites de la machine. En convertissant le problème d'une recherche de coordonnées spatiales en une recherche d'angles de torsion encodés dans les phases quantiques, l'équipe a réduit l'exigence en qubits à un niveau gérable, permettant une modélisation en espace continu et avec tous les atomes. Bien que la méthode soit encore confrontée à des défis, notamment l'exactitude de la notation de l'énergie et la surcharge de lecture des résultats à partir d'un matériel bruyant, elle établit une base évolutive pour l'avenir. Ce travail démontre que les ordinateurs quantiques peuvent aller au-delà des modèles grossiers et simplifiés pour s'attaquer à la géométrie réaliste et continue des molécules biologiques, offrant une nouvelle voie pour comprendre les mécanismes fondamentaux de la vie.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.