⚛️ quantum physics

Quantum Approximate Optimisation Algorithm for Protein Sidechain Packing

यह शोध पत्र एक हाइब्रिड क्वांटम-क्लासिकल पाइपलाइन प्रस्तुत करता है जो अल्फाफोल्ड2 (AlphaFold2) बैकबोन पर एनपी-हार्ड (NP-hard) प्रोटीन साइडचेन पैकिंग समस्या को कुशलतापूर्वक हल करने के लिए एक कंस्ट्रेंट-प्रिजर्विंग एंसेटल (constraint-preserving ansatz) के साथ क्वांटम एप्रोक्सिमेट ऑप्टिमाइज़ेशन एल्गोरिदम (QAOA) का उपयोग करता है, जो क्लासिकल एग्जॉस्टिव सर्च की तुलना में बेहतर कन्फॉर्मेशनल एनर्जी और स्केलेबल प्रदर्शन प्रदर्शित करता है।

मूल लेखक: Sebastian O. M. Stewart, Nick Chancellor, Jonte R Hance, Ittoop Vergheese Puthoor

प्रकाशित 2026-09-28

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Sebastian O. M. Stewart, Nick Chancellor, Jonte R Hance, Ittoop Vergheese Puthoor

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 जीवन के कार्यवाहक हैं, सूक्ष्म आणविक मशीनें जो उन रासायनिक प्रक्रियाओं को संचालित करती हैं जो हमें जीवित रखती हैं। कार्य करने के लिए, एक प्रोटीन को एक विशिष्ट, स्थिर त्रि-आयामी आकार में मुड़ना (फोल्ड होना) होता है, ठीक वैसे ही जैसे एक लंबी, लचीली श्रृंखला एक सटीक गांठ में बदल जाती है। वैज्ञानिक इस श्रृंखला की मुख्य रीढ़ (बैकबोन) का पूर्वानुमान लगाने में बहुत कुशल हो गए हैं, जो इस संरचना को थामे रखने वाला केंद्रीय स्तंभ है। हालाँकि, अंतिम, महत्वपूर्ण चरण इस श्रृंखला से निकलने वाली छोटी रासायनिक शाखाओं को व्यवस्थित करना है, जिन्हें साइडचेन (sidechains) कहा जाता है। ये शाखाएं निर्धारित करती हैं कि प्रोटीन अन्य अणुओं के साथ कैसे परस्पर क्रिया करता है, जैसे कि दवाएं जो इससे जुड़ने की कोशिश कर रही हैं। यदि ये साइडचेन थोड़े भी गलत तरीके से रखे जाते हैं, तो प्रोटीन का कार्य विफल हो सकता है, या कोई दवा अपने लक्ष्य को पूरी तरह से चूक सकती है। जबकि आधुनिक कंप्यूटर प्रोग्राम मुख्य आकार का उच्च विश्वसनीयता के साथ पूर्वानुमान लगा सकते हैं, वे अक्सर इन साइड शाखाओं को समान सटीकता के साथ व्यवस्थित करने में संघर्ष करते हैं, जिससे प्रभावी दवाएं डिजाइन करने की हमारी क्षमता में एक अंतर रह जाता है।

न्यूकैसल यूनिवर्सिटी के शोधकर्ताओं ने शास्त्रीय कंप्यूटरों को क्वांटम कंप्यूटिंग तकनीकों के साथ मिलाकर एक हाइब्रिड दृष्टिकोण का उपयोग करते हुए, इस अंतर को पाटने के लिए एक नया तरीका विकसित किया है। उनका लक्ष्य अल्फाफोल्ड (AlphaFold) नामक एक शक्तिशाली उपकरण द्वारा अनुमानित प्रोटीन संरचना को लेना और उसकी साइडचेन की स्थितियों को परिष्कृत करना था ताकि सबसे स्थिर, निम्न-ऊर्जा व्यवस्था प्राप्त की जा सके। प्रोटीन फोल्डिंग की दुनिया में, इस आदर्श व्यवस्था को खोजना एक अत्यंत कठिन पहेली है। साइड शाखाओं को व्यवस्थित करने के कितने भी संभावित तरीके हों, उनकी संख्या इतनी तेजी से बढ़ती है कि प्रोटीन के बड़े होने पर सबसे तेज़ सुपरकंप्यूटर के लिए भी हर एक संभावना की जांच करना असंभव हो जाता है। इसे एनपी-हार्ड (NP-hard) समस्या के रूप में जाना जाता है, जो उन कार्यों का एक वर्गीकरण है जहाँ समस्या का आकार बढ़ने के साथ कठिनाई का स्तर अत्यधिक बढ़ जाता है।

इस कार्य को करने के लिए, टीम ने एक पाइपलाइन बनाई जो पहले प्रोटीन डेटा को तैयार करने के लिए मानक सॉफ़्टवेयर का उपयोग करती है, जिससे प्रत्येक साइडचेन के लिए संभावित आकारों का एक प्रबंधनीय सेट चुना जाता है। इसके बाद उन्होंने इस परिष्कृत समस्या को क्वांटum एल्गोरिदम को सौंपा जिसे क्वांटम एप्रोक्सिमेट ऑप्टिमाइजेशन एल्गोरिदम (QAOA) कहा जाता है। यह एल्गोरिदम सर्वोत्तम समाधान खोजने के लिए विशाल संभावनाओं की खोज करने के लिए डिज़ाइन किया गया है। इस कार्य के लिए क्वांटम कंप्यूटरों का उपयोग करने में एक बड़ी बाधा यह है कि वे स्वाभाविक रूप से सभी संयोजनों की खोज करते हैं, जिनमें कई भौतिक रूप से असंभव भी होते हैं, जैसे कि एक ही साइडचेन का एक ही समय में दो स्थानों पर होना। शोधकर्ताओं ने एक विशेष शुरुआती बिंदु और क्वांटम सिस्टम के विकसित होने के लिए नियमों का एक विशिष्ट सेट डिजाइन करके इस समस्या को हल किया। उन्होंने एक ऐसी स्थिति से शुरुआत की जहाँ प्रत्येक संभावित स्थिति समान रूप से संभावित थी, और फिर एक गोलाकार मिश्रण प्रक्रिया (circular mixing process) का उपयोग किया जिसने इन संभावनाओं को इस तरह से पुनर्व्यवस्थित किया कि सिस्टम कभी भी वैध, एकल-स्थिति व्यवस्था के दायरे से बाहर न जा सके। इस चतुर सेटअप ने जटिल दंड पदों (penalty terms) की आवश्यकता को समाप्त कर दिया जो आमतौर पर गणना को धीमा कर देते हैं, जिससे सिस्टम पूरी तरह से निम्नतम ऊर्जा अवस्था खोजने पर ध्यान केंद्रित कर सका।

टीम ने 'बोवाइन पैन्क्रियाटिक ट्रिप्सिन इनहिबिटर' (bovine pancreatic trypsin inhibitor) नामक एक विशिष्ट प्रोटीन पर, अल्फाफोल्ड भविष्यवाणी के उच्च-विश्वास और मध्यम-विश्वास वाले क्षेत्रों का उपयोग करके अपने तरीके का परीक्षण किया। उन क्षेत्रों में जहाँ मूल भविष्यवाणी पहले से ही बहुत मजबूत थी, क्वांटम विधि मुख्य रूप से मौजूदा परिणाम से मेल खाती थी, और कभी-कभी थोड़े बेहतर विन्यास भी खोज लेती थी। इन मध्यम-विश्वास वाले क्षेत्रों में, नई विधि ने महत्वपूर्ण क्षमता दिखाई। इन मध्यम-विश्वास वाले क्षेत्रों में, क्वांटम दृष्टिकोण ने काफी अधिक स्थिर व्यवस्था पाई, जिसमें ऊर्जा सुधार औसतन आठ किलोकैलोरी प्रति मोल था और शिखर मान सोलह किलोकैलोरी प्रति मोल से अधिक तक पहुँच गया। ये परिणाम बताते हैं कि यह विधि उन क्षेत्रों में त्रुटियों को सुधारने में विशेष रूप से प्रभावी है जहाँ प्रारंभिक भविष्यवाणी कमजोर थी।

महत्वपूर्ण रूप से, शोधकर्ताओं ने केवल इन सुधारों का दावा नहीं किया; उन्होंने यह मापने का एक तरीका भी विकसित किया कि समस्या का आकार बढ़ने पर एक क्वांटम कंप्यूटर को विश्वसनीय रूप से सर्वोत्तम उत्तर खोजने के लिए कितने प्रयासों, या "शॉट्स" (shots) की आवश्यकता होगी। उन्होंने पाया कि हालांकि आवश्यक प्रयासों की संख्या बढ़ती है, लेकिन यह उस दर से बढ़ती है जो उच्च-प्रदर्शन कंप्यूटिंग के लिए प्रबंधनीय बनी रहती है, और कुछ प्रकार के प्रोटीनों के लिए देखे जाने वाले शास्त्रीय तरीकों के घातांकीय विस्फोट (exponential explosion) से काफी नीचे रहती है। यह अध्ययन पुष्टि करता है कि यह हाइब्रिड पाइपलाइन प्रोटीन संरचना की ऊर्जा को कम करने के लिए साइडचेन को सफलतापूर्वक पुनर्गठित कर सकती है, जो दवा की खोज की सटीकता में सुधार के लिए एक संभावित उपकरण प्रदान करती है। यह कार्य अभी एक सिमुलेशन है, जो वास्तविक क्वांटम हार्डवेयर के बजाय शक्तिशाली ग्राफिक्स प्रोसेसर पर चल रहा है, लेकिन यह प्रदर्शित करता है कि गणितीय ढांचा सुदृढ़ है और भविष्य में वास्तविक क्वांटम उपकरणों पर परीक्षण के लिए तैयार है। प्रारंभिक भविष्यवाणी की गुणवत्ता से अनुकूलन प्रक्रिया को अलग करके, यह विधि दिए गए विकल्पों के सेट के भीतर सर्वोत्तम संभव संरचना की खोज करने का एक विश्वसनीय तरीका प्रदान करती है, चाहे शुरुआती बिंदु कितना भी अच्छा क्यों न हो।

तकनीकी सारांश: प्रोटीन साइडचेन पैकिंग के लिए क्वांटम एप्रोक्सिमेट ऑप्टिमाइजेशन एल्गोरिदम (QAOA)

समस्या विवरण
प्रोटीन साइडचेन पैकिंग प्रोटीन फोल्डिंग की एक महत्वपूर्ण उप-समस्या है, जो एक स्थिर बैकबोन के सापेक्ष अमीनो एसिड साइडचेन (रोटामर्स) की त्रि-आयामी व्यवस्था को निर्धारित करती है। यह प्रक्रिया संरचना-आधारित औषधि खोज (drug discovery) के लिए आवश्यक है, क्योंकि बाइंडिंग साइट्स इन साइडचेन विन्यासों द्वारा परिभाषित होती हैं। जबकि AlphaFold2 जैसे उपकरण प्रोटीन बैकबोन का विश्वसनीय रूप से पूर्वानुमान लगा सकते हैं, उनकी साइडचेन स्थिति प्रयोगात्मक डेटा से 20% तक विचलित हो सकती है। एक स्थिर बैकबोन के लिए निम्नतम-ऊर्जा वाले रोटामर असाइनमेंट को पुनः प्राप्त करना एक NP-hard कॉम्बिनेटोरियल ऑप्टिमाइज़ेशन समस्या है। क्लासिकल ह्यूरिस्टिक्स, जैसे कि रोसेटा (Rosetta) का स्टोकेस्टिक मोंटे कार्लो सर्च, वैश्विक इष्टतमता (global optimality) की गारंटी नहीं देते हैं। यह शोध पत्र इसे संबोधित करने के लिए एक हाइब्रिड क्वांटम-क्लासिकल पाइपलाइन का प्रस्ताव करता है, जो साइडचेन ऊर्जा न्यूनीकरण को एक क्वाड्रेटिक अनकन्स्ट्रेंड बाइनरी ऑप्टिमाइज़ेशन (QUBO) समस्या के रूप में पुनर्गठित करता है जिसे क्वांटम एप्रोक्सिमेट ऑप्टिमाइजेशन एल्गोरिदम (QAOA) के माध्यम से हल किया जा सकता है।

कार्यप्रणाली (Methodology)
प्रस्तावित पाइपलाइन तीन चरणों में कार्य करती है: प्रीप्रोसेसिंग, QAOA ऑप्टिमाइज़ेशन, और पोस्ट-प्रोसेसिंग।

प्रीप्रोसेसिंग और फिक्स्ड-बैकबोन रिडक्शन:
PyRosetta का उपयोग करते हुए, पाइपलाइन AlphaFold2 से प्राप्त फिक्स्ड बैकबोन निर्देशांकों वाले प्रोटीन उप-खंड (जैसे, बोवाइन पैनक्रिएटिक ट्रिप्सिन इनहिबिटर, 5PTI) का विश्लेषण करती है। यह डंब्रैक (Dunbrack) लाइब्रेरी के आधार पर वैध रोटामर्स की एक डिस्क्रीट लाइब्रेरी तैयार करती है। कम्प्यूटेशनल जटिलता को प्रबंधित करने के लिए, रोटामर सेट को वन-बॉडी ऊर्जाओं के आधार पर राउंड-रॉबिन चयन के माध्यम से छाँटा (prune) जाता है, जिससे प्रति अवशेष (residue) उम्मीदवारों की संख्या ( $R$ ) सीमित हो जाती है। यह कार्य को कुल विन्यास ऊर्जा (conformational energy) को कम करने के लिए प्रत्येक अवशेष के लिए ठीक एक रोटामर चुनने में बदल देता है।
QUBO फॉर्मूलेशन:
पेयरवाइज ऊर्जा फलन (जिसमें वन-बॉडी और टू-बॉडी इंटरेक्शन टर्म शामिल हैं) को पाउली-Z ऑपरेटर्स का उपयोग करके एक कॉस्ट हैमिल्टोनियन ( $H_C$ ) में एनकोड किया जाता है। एक वन-हॉट एनकोडिंग स्कीम का उपयोग किया जाता है, जिसमें प्रत्येक वैध रोटामर के लिए एक क्वबिट आवंटित किया जाता है। इसके परिणामस्वरूप क्वबिट काउंट में रैखिक वृद्धि ( $MN$ अवशेषों और $N$ औसत रोटामर्स के लिए) होती है, लेकिन सबसे खराब स्थिति में कॉस्ट हैमिल्टोनियन टर्म्स का द्विघाती स्केलिंग होता है, हालांकि व्यावहारिक स्पर्सिटी (sparsity) इसे $O(MN \cdot d)$ तक कम कर देती है।
कन्स्ट्रेंट-प्रिजर्विंग एन्सैट्ज़ (Constraint-Preserving Ansatz):
कॉस्ट फंक्शन में पेनल्टी टर्म्स पर निर्भर किए बिना "वन-हॉट" बाधा (प्रत्येक अवशेष के लिए ठीक एक रोटामर का चयन) को लागू करने के लिए, लेखक एक विशिष्ट एन्सैट्ज़ पेश करते हैं:

प्रारंभिक अवस्था (Initial State): सिस्टम को एक W-स्टेट में इनिशियलाइज़ किया जाता है, जो प्रत्येक अवशेष सब-रजिस्टर के लिए सभी सिंगल-एक्साइटेशन बेसिस स्टेट्स का एक समान सुपरपोजिशन है। यह सुनिश्चित करता है कि सिस्टम वैध हैमिंग-वेट-1 सबस्पेस के भीतर शुरू होता है।
मिक्सर हैमिल्टोनियन (Mixer Hamiltonian): एक पूर्णतः कनेक्टेड ग्राफ मिक्सर (जो दो-क्वबिट गेट्स में $O(MN^2)$ स्केल करता है) के बजाय, एक साइक्लिक XY रिंग मिक्सर का उपयोग किया जाता है। यह इंटरैक्शन को एक बंद लूप में आसन्न रोटामर्स तक सीमित करता है। यह टोपोलॉजी हैमिंग वेट को सुरक्षित रखती है (यह सुनिश्चित करती है कि विकास के दौरान वैधता बनी रहे) और दो-क्वबिट गेट स्केलिंग को $O(MN)$ तक कम करती है।
ऑप्टिमाइज़ेशन रणनीति: एक वार्म-स्टार्टिंग दृष्टिकोण का उपयोग किया जाता है, जहाँ गहरे सर्किट्स ( $p$ ) के मापदंडों को उथले सर्किट्स के अनुकूलित मापदंडों का उपयोग करके इनिशियलाइज़ किया जाता है, जिसमें नए लेयर्स को ज़ीरो-पैड किया जाता है और सैडल पॉइंट्स से बचने के लिए गॉसियन नॉइज़ के साथ विचलित (perturb) किया जाता है।

मूल्यांकन मेट्रिक्स (Evaluation Metrics):

$\Delta E$ : AlphaFold बेसलाइन के साथ ऊर्जा अंतर ( $E_{QAOA} - E_{AF}$ )। परिणामों को विन्स (Wins: $\Delta E < -1.5$ kcal/mol), टाइज़ (Ties: $|\Delta E| \le 1.5$ kcal/mol), या लॉसेस (Losses: $\Delta E > 1.5$ kcal/mol) के रूप में वर्गीकृत किया गया है।
$S(N)$ (एसिम्प्टोटिक शॉट-स्केलिंग मेट्रिक): 99.99% प्रायिकता के साथ ग्लोबल मिनिमम-एनर्जी कॉन्फ़िगरेशन (GMEC) को पुनः प्राप्त करने के लिए आवश्यक शॉट्स की संख्या का अनुमान लगाने के लिए परिभाषित एक मेट्रिक। इसे प्रयोगात्मक रूप से हल किए गए ग्राउंड ट्रुथ के विरुद्ध गणना किया जाता है, ताकि ऑप्टिमाइज़र की गुणवत्ता को AlphaFold बेसलाइन की गुणवत्ता से अलग किया जा सके।

प्रमुख परिणाम
पाइपलाइन का मूल्यांकन GPU पर क्लासिकल स्टेट-वेक्टर सिमुलेशन का उपयोग करके 5PTI प्रोटीन पर किया गया।

उच्च-विश्वास वाले क्षेत्र (pLDDT > 90): उन क्षेत्रों में जहाँ AlphaFold के बैकबोन और साइडचेन भविष्यवाणियाँ अत्यधिक विश्वसनीय हैं, QAOA पाइपलाइन ने बेसलाइन की तुलना में सीमित सुधार दिखाया। 5–14 क्वबिट्स के लिए रन में विन्स (Wins) 15.6% थे, जो विशिष्ट अवशेष विंडो (जैसे, 60–63) में केंद्रित थे। जैसे-जैसे क्वबिट काउंट बढ़कर 18 और 22 हुआ, जीत की दर शून्य हो गई, और परिणाम मुख्य रूप से 'टाइज़' (Ties) बन गए। लेखक इसका कारण "डिस्क्रीटाइजेशन पेनल्टी" को बताते हैं: पहले से ही निकट-इष्टतम निरंतर AlphaFold विन्यासों को एक परिमित डिस्क्रीट लाइब्रेरी में बदलने से अक्सर उच्च ऊर्जा अवस्थाएं प्राप्त होती हैं, जो इसलिए नहीं है कि क्वांटम सॉल्वर विफल रहा, बल्कि इसलिए क्योंकि डिस्क्रीट सर्च स्पेस अधिक प्रतिबंधात्मक है।
मध्यम-विश्वास वाले क्षेत्र (pLDDT $\approx$ 80): उन क्षेत्रों में जहाँ AlphaFold की साइडचेन प्लेसमेंट कम विश्वसनीय है, पाइपलाइन ने महत्वपूर्ण सुधार हासिल किए। 1,500 रन (5–14 क्वबिट्स) में, 54% विन्स थे, जिसमें औसत सुधार -8.114 kcal/mol और पीक -16.265 kcal/mol था। लेखक स्पष्ट करते हैं कि ये लाभ मध्यम-विश्वास वाले क्षेत्रों में AlphaFold बेसलाइन की कमजोरी को दर्शाते हैं, न कि क्वांटम सॉल्वर की अंतर्निहित श्रेष्ठता को, क्योंकि $S(N)$ यह पुष्टि करता है कि ऑप्टिमाइज़र उम्मीदवार सेट के भीतर सर्वोत्तम विकल्प खोजने में सक्षम है, चाहे बेसलाइन कुछ भी हो।
शॉट स्केलिंग ( $S(N)$ ): फिट किया गया ग्रोथ रेट ( $e^{0.31N}$ ) मध्यम रोटामर फ्लेक्सिबिलिटी के लिए क्लासिकल एग्जॉस्टिव-सर्च रेट से नीचे रहा। मेट्रिक ने प्रदर्शित किया कि आवश्यक सैंपलिंग ओवरहेड केवल कुल क्वबिट काउंट पर नहीं, बल्कि विशिष्ट स्थानीय ऊर्जा परिदृश्य और अवशेष चयन पर संवेदनशील है।

महत्व और दावे
शोध पत्र का दावा है कि यह एक व्यवहार्य हाइब्रिड क्वांटम-क्लासिकल पाइपलाइन प्रस्तुत करता है जो सफलतापूर्वक NP-hard साइडचेन पैकिंग समस्या को संबोधित करता है। इसके प्राथमिक योगदान हैं:

कन्स्ट्रेंट-प्रिजर्विंग एन्सैट्ज़: W-स्टेट इनिशियलाइज़ेशन और एक साइक्लिक XY रिंग मिक्सर का एक नवीन संयोजन जो संरचनात्मक रूप से वन-हॉट वैधता को लागू करता है, जिससे पेनल्टी टर्म्स की आवश्यकता समाप्त हो जाती है और दो-क्वबिट गेट स्केलिंग $O(MN^2)$ से घटकर $O(MN)$ हो जाती है।
बेसलाइन-स्वतंत्र मूल्यांकन: $S(N)$ मेट्रिक का परिचय QAOA प्रदर्शन का मूल्यांकन सीधे GMEC के विरुद्ध करने की अनुमति देता है, जो स्टार्टिंग AlphaFold स्ट्रक्चर की गुणवत्ता से स्वतंत्र है। यह निरंतर समस्या को डिस्क्रीट बनाने के अंतर्निहित प्रभावों और सॉल्वर की विफलता के बीच अंतर करता है।
प्रूफ ऑफ कॉन्सेप्ट: यह कार्य प्रदर्शित करता है कि क्वांटम ऑप्टिमाइज़ेशन, विशेष रूप से उन क्षेत्रों में जहाँ क्लासिकल बेसलाइन कमजोर है, अल्फाफोल्ड बेसलाइन्स की तुलना में कॉन्फ़िगरेशनल ऊर्जा को कम कर सकता है।

लेखक व्यापक निहितार्थों के संबंध में विनम्र बने हुए हैं, यह नोट करते हुए कि मध्यम-विश्वास वाले क्षेत्रों में देखे गए ऊर्जा सुधार बेसलाइन की कमजोरी के आर्टिफैक्ट हो सकते हैं, न कि समस्या को हल करने में क्वांटम एडवांटेज का प्रदर्शन। वे इस बात पर जोर देते हैं कि औषधि खोज के लिए इस पद्धति की उपयोगिता स्थापित करने के लिए बाइंडिंग एफिनिटी और स्ट्रक्चरल स्टेबिलिटी के विरुद्ध डाउनस्ट्रीम सत्यापन की आवश्यकता है। इसके अतिरिक्त, $S(N)$ बजट की अन्य प्रोटीनों के लिए सामान्यीकरण क्षमता और वास्तविक क्वांटम डिवाइसेस पर हार्डवेयर नॉइज़ का प्रभाव अभी भी खुले प्रश्न बने हुए हैं।

इसी तरह के और पेपर