Logarithmic-scale variational quantum eigensolver for off-lattice protein structure prediction in continuous torsional angle space
यह शोध पत्र एक लॉगरिदमिक-स्केल वेरिएशनल क्वांटम आइजनसोल्वर पेश करता है जो क्यूबिट आवश्यकताओं को रैखिक से घटाकर लॉगरिदमिक करके निरंतर टॉर्सनल स्पेस में पहली ऑल-एटम, ऑफ-लैटिस प्रोटीन संरचना भविष्यवाणी को सक्षम बनाता है, जो सिम्युलेटर और वास्तविक क्वांटम हार्डवेयर दोनों पर छोटे प्रोटीनों के लिए नेटिव-लाइक संरचना रिकवरी को सफलतापूर्वक प्रदर्शित करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
प्रोटीन वे आणविक मशीनें हैं जो जीवन को चालू रखती हैं, जो अपने कार्यों को करने के लिए स्वयं को जटिल त्रि-आयामी आकृतियों में मोड़ती हैं। एक अमीनो एसिड की श्रृंखला ठीक कैसे मुड़कर अपने अंतिम, कार्यात्मक रूप में बदल जाएगी, इसका सटीक अनुमान लगाना जीव विज्ञान की सबसे कठिन पहेलियों में से एक रहा है। दशकों तक, वैज्ञानिकों ने इन आकृतियों का अनुकरण करने के लिए शक्तिशाली शास्त्रीय कंप्यूटरों पर भरोसा किया है, लेकिन प्रोटीन के मुड़ने के संभावित तरीकों की संख्या इतनी विशाल है कि सबसे तेज़ सुपरकंप्यूटर भी सही उत्तर खोजने में भटक जाते हैं। हाल ही में, इस क्षेत्र में एक नया उपकरण आया है: क्वांटम कंप्यूटर। बाइनरी बिट्स में सूचना संसाधित करने वाले पारंपरिक मशीनों के विपरीत, क्वांटम कंप्यूटर क्वांटम बिट्स या क्वुबिट्स (qubits) का उपयोग करते हैं, जो एक साथ कई अवस्थाओं में मौजूद हो सकते हैं, जिससे संभावनाओं के इस भूलभुलैया में एक संभावित शॉर्टकट मिलता है। हालाँकि, इन मशीनों का उपयोग प्रोटीन फोल्डिंग के लिए करने के शुरुआती प्रयास सरलीकृत, ब्लॉक जैसे मॉडलों तक सीमित थे, जो वास्तविक जीव विज्ञान के सूक्ष्म विवरणों को छोड़ देते थे।
क्लीवलैंड क्लिनिक के शोधकर्ताओं की एक टीम ने अब एक विधि प्रदर्शित करके एक महत्वपूर्ण कदम आगे बढ़ाया है जो क्वांटम कंप्यूटरों का उपयोग करके निरंतर, 'ऑल-एटम' स्पेस में प्रोटीन संरचनाओं की भविष्यवाणी करने में सक्षम है—एक ऐसा स्तर जिसे पहले निकट-अवधि के क्वांटम हार्डवेयर के लिए असंभव माना जाता था। उनका कार्य, जो एक शोध लेख के रूप में प्रकाशित हुआ है, 'क्वांटम टॉर्शन फोल्डर' नामक एक नया एल्गोरिदम पेश करता है। प्रोटीन को एक कठोर ग्रिड पर थोपने के बजाय, यह विधि प्रोटीन को कोणों की एक लचीली श्रृंखला के रूप में मानती है, जो बैकबोन और साइड चेन के घुमावदार कोणों को सीधे एक क्वांटम अवस्था के चरणों (phases) में एनकोड करती है। एक लॉगरिदमिक स्केलिंग रणनीति का उपयोग करके, टीम ने दिखाया कि वे पारंपरिक तरीकों की तुलना में बहुत कम क्वुबिट्स का उपयोग करके प्रोटीन की जटिल ज्यामिति को प्रदर्शित कर सकते हैं। सिमुलेशन में, इस दृष्टिकोण ने सफलतापूर्वक दो छोटे प्रोटीनों, चिग्नोलिन (chignolin) और ट्रिप-केज (Trp-cage) के मॉडल बनाए, जो उनकी प्रयोगात्मक रूप से निर्धारित आकृतियों के काफी करीब थे। जब शोधकर्ताओं ने वास्तविक क्वांटम हार्डवेयर पर इस विधि का परीक्षण किया, तो उन्होंने मूल जैसी संरचनाओं को पुनः प्राप्त किया, जिससे यह सिद्ध हुआ कि क्वांटम सिग्नल वास्तविक दुनिया के उपकरणों के शोर (noise) के बीच भी जीवित रह सकता है, हालांकि परिणाम विशिष्ट मशीन के आधार पर भिन्न थे।
प्रोटीन फोल्डिंग की मुख्य चुनौती संभावनाओं के उस परिदृश्य में नेविगेट करना है जो प्रोटीन के आकार के साथ तेजी से बढ़ता है। कल्पना कीजिए कि आप एक लंबी, लचीली रस्सी के अरबों अन्य उलझनों के बीच एक विशिष्ट व्यवस्था को खोजने का प्रयास कर रहे हैं। शास्त्रीय कंप्यूटर अक्सर स्थानीय घाटियों (local valleys) में फंस जाते हैं, जिससे उन्हें एक ऐसी आकृति मिलती है जो स्थिर तो है लेकिन सही नहीं है। शोधकर्ताओं ने प्रोटीन श्रृंखला के झुकने के कोणों पर ध्यान केंद्रित करके इस समस्या का समाधान किया। उनके नए ढांचे में, एक क्वांटम सर्किट एक जनरेटर के रूप में कार्य करता है, जो इन झुकने वाले कोणों को एनकोड करने वाली एक जटिल संभाव्यता तरंग (wave of probabilities) बनाता है। इसके बाद एक शास्त्रीय कंप्यूटर एक मूल्यांकनकर्ता के रूप में कार्य करता है, जो इन कोणों को लेता है और प्रोटीन का पूर्ण 3D मॉडल बनाता है ताकि इसकी भौतिक स्थिरता की जांच की जा सके, और इस आधार पर स्कोर करता है कि परमाणु कितनी अच्छी तरह फिट होते हैं और संरचना को कितनी ऊर्जा की आवश्यकता होती है। यह एक लूप बनाता है जहाँ क्वांटम कंप्यूटर एक आकृति का सुझाव देता है, शास्त्रीय कंप्यूटर उसे ग्रेड देता है, और क्वांटम कंप्यूटर अपने मापदंडों को समायोजित करता है ताकि फिर से प्रयास किया जा सके, जिससे धीरे-धीरे संरचना को एक स्थिर फोल्ड की ओर परिष्कृत किया जाता है।
वर्तमान क्वांटम मशीनों पर इसे काम करने योग्य बनाने के लिए, टीम को एक कठिन समस्या को हल करना पड़ा: क्वांटम कंप्यूटर सीधे उन जटिल चरणों (phases) को नहीं पढ़ सकते जिनमें कोण की जानकारी निहित होती है। एक आदर्श सिम्युलेटर पर, ये चरण दृश्यमान होते हैं, लेकिन वास्तविक हार्डवेयर पर, केवल कुछ अवस्थाओं के मापन की संभावनाओं को ही देखा जा सकता है। शोधकर्ताओं ने एक चतुर समाधान विकसित किया। उन्होंने देखी जाने वाली संभावनाओं को एक संचयी वितरण (cumulative distribution) में मैप किया, जिससे प्रभावी रूप से क्वांटम चिप के शोर वाले, मापने योग्य आउटपुट को प्रोटीन मॉडल बनाने के लिए आवश्यक निरंतर कोणों में अनुवादित किया गया। इसने उन्हें उच्च-निष्ठा वाले सिम्युलेटर और वास्तविक क्वांटम प्रोसेसर दोनों पर एक ही एल्गोरिदम चलाने की अनुमति दी, जिससे सैद्धांतिक डिजाइन और व्यावहारिक निष्पादन के बीच की खाई को पाटा जा सका।
टीम ने अपनी विधि का परीक्षण दो प्रसिद्ध लघु प्रोटीनों पर किया: चिग्नोलिन, एक छोटा दस-रेसिड्यू पेप्टाइड जो एक तंग हेयरपिन आकार में मुड़ता है, और ट्रिप-केज, एक थोड़ा बड़ा बीस-रेसिड्यू प्रोटीन जिसमें हेलिक्स और लूप का अधिक जटिल मिश्रण होता है। उन्होंने प्रत्येक प्रोटीन के लिए हजारों स्वतंत्र सिमुलेशन चलाए, परिणामों का मूल्यांकन करने के लिए तीन अलग-अलग ऊर्जा-स्कोरिंग सिस्टम का उपयोग किया: इस कार्य के लिए विशेष रूप से बनाया गया एक कस्टम फंक्शन, व्यापक रूप से उपयोग किया जाने वाला रोसेटा (Rosetta) सॉफ्टवेयर, और ओपनएमएम (OpenMM) भौतिकी इंजन। सिमुलेशन में, विधि सही आकृतियों को नमूना लेने (sampling) में उल्लेखनीय रूप से प्रभावी साबित हुई। चिग्नोलिन के लिए, सर्वोत्तम मॉडल उच्च स्तर की सटीकता तक पहुंचे, जहाँ कुछ स्नैपशॉट वास्तविक प्रयोगात्मक संरचना से एक एंगस्ट्रॉम से भी कम की दूरी पर थे, जो एक एकल परमाणु की चौड़ाई से भी कम है। यहाँ तक कि अधिक कठिन ट्रिप-केज के लिए भी, विधि ने मूल रूप के बहुत करीब संरचनाएं पाईं, जो यह सुझाव देती है कि क्वांटम कंप्यूटर सफलतापूर्वक फोल्डिंग परिदृश्य के सही क्षेत्रों की खोज कर रहा था।
इस अध्ययन से एक प्रमुख अंतर्दृष्टि यह मिली कि अनुकूलन प्रक्रिया द्वारा निर्मित अंतिम मॉडल हमेशा सबसे सटीक नहीं होता है। शोधकर्ताओं ने पाया कि फोल्डिंग यात्रा के दौरान लिए गए हजारों निम्न-ऊर्जा स्नैपशॉट्स का रिकॉर्ड रखकर, वे अक्सर एक ऐसी संरचना पा सकते थे जो एल्गोरिदम द्वारा अंत में चुनी गई संरचना की तुलना में काफी बेहतर थी। यह सुझाव देता है कि क्वांटम कंप्यूटर संभावनाओं के विशाल स्थान की खोज करने और आशाजनक उम्मीदवारों को खोजने में उत्कृष्ट है, लेकिन चुनौती उस पूल से एक एकल सर्वश्रेष्ठ उम्मीदवार को चुनने में निहित है। कस्टम ऊर्जा फंक्शन ने सिस्टम को सघन, मूल-समान आकृतियों की ओर निर्देशित करने में सबसे अच्छा प्रदर्शन किया, जबकि अन्य स्कोरिंग सिस्टम ने कभी-कभी ऐसी संरचनाओं का पक्ष लिया जो भौतिक रूप से स्थिर तो थीं लेकिन ज्यामितीय रूप से वास्तविक फोल्ड से दूर थीं।
यह सत्यापित करने के लिए कि यह दृष्टिकोण वास्तविक हार्डवेयर पर काम करता है, टीम ने IBM के दो अलग-अलग क्वांटम प्रोसेसरों: ibm_cleveland और ibm_miami पर अपने सर्वोत्तम सिमुलेशन मापदंडों को निष्पादित किया। उन्होंने क्वांटम माप की अंतर्निहित यादृच्छिकता और शोर को ध्यान में रखते हुए प्रत्येक मशीन पर एक ही सर्किट को 300 बार चलाया। परिणाम उत्साहजनक थे: ibm_cleveland पर, विधि ने 300 प्रयासों में से 88 में मूल-समान संरचनाओं को पुनः प्राप्त किया, जिसमें सर्वोत्तम मॉडल ने 1.758 एंगस्ट्रॉम की सटीकता प्राप्त की। ibm_miami पर, रिकवरी दर कम थी, जिसमें 300 में से 45 सफल संरचनाएं मिलीं, और सर्वोत्तम मॉडल ने 1.782 एंगस्ट्रॉम तक पहुँच प्राप्त की। इस प्रदर्शन के अंतर ने रेखांकित किया कि हालांकि एल्गोरिदम मजबूत है, लेकिन क्वांटम प्रोसेसर की विशिष्ट हार्डवेयर वास्तुकला, अंशांकन (calibration) और शोर की विशेषताएं अंतिम परिणाम में बड़ी भूमिका निभाती हैं। शोधकर्ताओं ने नोट किया कि ibm_miami के कार्यों को चलाने में कम गेट होने के बावजूद काफी अधिक समय लगा, जो यह दर्शाता है कि सरल सर्किट आकार से परे कारक, जैसे पल्स शेड्यूलिंग और माप विलंब, दक्षता को प्रभावित करते हैं।
अध्ययन यह निष्कर्ष निकालता है कि उच्च-रिज़ॉल्यूशन प्रोटीन संरचना भविष्यवाणी निकट-अवधि के क्वांटम हार्डवेयर पर संभव है, बशर्ते कि समस्या को मशीन की सीमाओं के सम्मान के साथ फ्रेम किया जाए। समस्या को स्थानिक निर्देशांकों की खोज से बदलकर क्वांटम चरणों में एनकोड किए गए टॉर्शनल कोणों की खोज में बदलकर, टीम ने क्वुबिट की आवश्यकता को एक प्रबंधनीय स्तर तक कम कर दिया, जिससे 'ऑल-एटम', निरंतर-स्पेस मॉडलिंग संभव हो सका। हालांकि इस विधि को अभी भी चुनौतियों का सामना करना पड़ता है, विशेष रूप से ऊर्जा स्कोरिंग की सटीकता और शोर वाले हार्डवेयर से परिणामों को पढ़ने के ओवरहेड में, यह एक स्केलेबल आधार स्थापित करता है। यह कार्य प्रदर्शित करता है कि क्वांटम कंप्यूटर मोटे, सरलीकृत मॉडलों से आगे बढ़कर जैविक अणुओं की वास्तविक, निरंतर ज्यामिति को संभालने में सक्षम हैं, जो जीवन के मौलिक तंत्रों को समझने के लिए एक नया मार्ग प्रदान करते हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।