Quantum Approximate Optimisation Algorithm for Protein Sidechain Packing
Cet article présente un pipeline hybride quantique-classique utilisant l'algorithme d'optimisation approximative quantique (QAOA) avec un ansatz préservant les contraintes pour résoudre efficacement le problème NP-difficile du compactage des chaînes latérales de protéines sur des squelettes AlphaFold2, démontrant une amélioration de l'énergie conformationnelle et une performance évolutive par rapport à la recherche exhaustive classique.
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 moteurs de la vie, de minuscules machines moléculaires qui pilotent les processus chimiques nous maintenant en vie. Pour fonctionner, une protéine doit se replier en une forme tridimensionnelle spécifique et stable, un peu comme une longue chaîne flexible qui se tord en un nœud précis. Les scientifiques sont devenus très doués pour prédire l'ossature principale de cette chaîne, la colonne vertébrale centrale qui maintient la structure. Cependant, l'étape finale et cruciale consiste à disposer les plus petites branches chimiques, appelées chaînes latérales, qui poussent à partir de cette colonne vertébrale. Ces branches déterminent comment la protéine interagit avec d'autres molécules, telles que des médicaments tentant de s'y lier. Si ces chaînes latérales sont placées même légèrement de manière incorrecte, la fonction de la protéine peut échouer, ou un médicament peut manquer sa cible. Bien que les programmes informatiques modernes puissent prédire la forme principale avec une grande fiabilité, ils peinent souvent à positionner ces branches latérales avec la même précision, laissant une lacune dans notre capacité à concevoir des médicaments efficaces.
Des chercheurs de l'Université de Newcastle ont développé une nouvelle méthode pour combler cette lacune, en utilisant une approche hybride qui combine l'informatique classique avec des techniques d'informatique quantique. Leur objectif était de prendre une structure de protéine prédite par un outil puissant appelé AlphaFold et d'affiner la position de ses chaînes latérales pour trouver l'arrangement le plus stable et de plus basse énergie. Dans le monde du repliement des protéines, trouver cet arrangement parfait est un puzzle notoirement difficile. Le nombre de façons possibles de disposer les branches latérales augmente si rapidement que vérifier chaque possibilité devient impossible, même pour les superordinateurs les plus rapides, dès que la protéine devient suffisamment grande. C'est ce qu'on appelle un problème NP-difficile, une classification pour les tâches dont la difficulté explose à mesure que la taille du problème augmente.
Pour s'attaquer à cela, l'équipe a construit un pipeline qui utilise d'abord un logiciel standard pour préparer les données de la protéine, sélectionnant un ensemble gérable de formes possibles pour chaque chaîne latérale. Ils ont ensuite confié ce problème affiné à un algorithme quantique connu sous le nom de Quantum Approximate Optimisation Algorithm, ou QAOA. Cet algorithme est conçu pour explorer de vastes possibilités afin de trouver la meilleure solution. Un obstacle majeur à l'utilisation de l'informatique quantique pour cette tâche est qu'elle explore naturellement toutes les combinaisons, y compris beaucoup qui sont physiquement impossibles, comme une seule chaîne latérale étant à deux endroits à la fois. Les chercheurs ont résolu cela en conceissant un point de départ spécial et un ensemble de règles spécifiques pour la façon dont le système quantique évolue. Ils ont commencé avec un état où chaque position possible était également probable, puis ont utilisé un processus de mélange circulaire qui a brassé ces possibilités sans jamais permettre au système de quitter le domaine des arrangements valides à position unique. Cette configuration ingénieuse a éliminé le besoin de termes de pénalité complexes qui ralentissent habituellement le calcul, permettant au système de se concentrer entièrement sur la recherche de l'état d'énergie la plus basse.
L'équipe a testé sa méthode sur une protéine spécifique appelée inhibiteur de la trypsine pancréatique bovine, en utilisant des régions de haute confiance et de confiance modérée de la prédiction AlphaFold. Dans les zones où la prédiction originale était déjà très forte, la méthode quantique correspondait principalement au résultat existant, trouvant occasionnellement des arrangements légèrement meilleurs. Cependant, dans les régions où la prédiction originale était moins certaine, la nouvelle méthode a montré des promesses significatives. Dans ces zones de confiance modérée, l'approche quantique a trouvé des arrangements nettement plus stables, avec des améliorations d'énergie moyennes de plus de huit kilocalories par mole et atteignant des pics de plus de seize kilocalories par mole. Ces résultats suggèrent que la méthode est particulièrement efficace pour corriger les erreurs dans les zones où la prédiction initiale était plus faible.
Crucialement, les chercheurs n'ont pas seulement affirmé ces améliorations ; ils ont développé un moyen de mesurer combien de tentatives, ou « shots », un ordinateur quantique aurait besoin pour trouver de manière fiable la meilleure réponse à mesure que la taille du problème augmente. Ils ont découvert que bien que le nombre de tentatives requises augmente, il croît à un rythme qui reste gérable pour le calcul de haute performance, restant bien en dessous de l'explosion exponentielle observée pour certains types de protéines avec les méthodes classiques. L'étude confirme que ce pipeline hybride peut réussir à réorganiser les chaînes latérales pour abaisser l'énergie d'une structure protéique, offrant un outil potentiel pour améliorer la précision de la découverte de médicaments. Le travail reste une simulation, s'exécutant sur de puissants processeurs graphiques plutôt que sur du matériel quantique physique, mais il démontre que le cadre mathématique est solide et prêt pour des tests futurs sur de véritables dispositifs quantiques. En découplant le processus d'optimisation de la qualité de la prédiction initiale, la méthode fournit un moyen fiable de rechercher la meilleure structure possible au sein d'un ensemble donné d'options, quel que soit le niveau de qualité du point de départ.
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.