Symmetry-Preserving Quantum Walks for Protein Conformational Sampling

जीव विज्ञान के केंद्र में एक मौलिक पहेली है: कैसे अमीनो एसिड की एक श्रृंखला एक जटिल, कार्यशील मशीन में बदल जाती है। जबकि वैज्ञानिकों ने लंबे समय से प्रोटीन द्वारा ली जाने वाली एकल, सबसे स्थिर आकृति खोजने पर ध्यान केंद्रित किया है, वास्तविकता कहीं अधिक गतिशील है। प्रोटीन स्थिर मूर्तियाँ नहीं हैं; वे लगातार बदलते रहते हैं, सांस लेते हैं और संभावित आकृतियों के एक विशाल परिदृश्य का नमूना लेते हैं। यह समझने के लिए कि वे कैसे कार्य करते हैं, या वे कभी-यदा क्यों विफल हो जाते हैं, शोधकर्ताओं को इस संपूर्ण परिदृश्य का मानचित्रण करने की आवश्यकता है, न कि केवल सबसे निचले बिंदु का। इसके लिए इन आकृतियों का एक प्रतिनिधि संग्रह उत्पन्न करने की विधि की आवश्यकता होती है, जिसे 'एन्सेम्बल' (ensemble) कहा जाता है, जो एक दिए गए तापमान पर प्रत्येक रूप के होने की संभावनाओं को दर्शाता है।

द दशकों से, वैज्ञानिक इन आकृतियों का पता लगाने के लिए शास्त्रीय कंप्यूटर सिमुलेशन का उपयोग करते आए हैं, जो अनिवार्य रूप से अगला कदम उठाने का निर्णय लेने के लिए पासा फेंकने जैसा है। हाल ही में, क्वांटम कंप्यूटरों का उपयोग करके इस प्रक्रिया को तेज करने के बारेए में बहुत उत्साह रहा है। विचार यह है कि क्वांटम यांत्रिकी, एक साथ कई अवस्थाओं में मौजूद होने की अपनी अनूठी क्षमता के साथ, शास्त्रीय मशीनों की तुलना में इस जटिल परिदृश्य को बहुत तेज़ी से नेविगेट कर सकती है। हालाँकि, इस सैद्धांतिक वादे को एक व्यावहारिक उपकरण में बदलना कठिन साबित हुआ है। स्वतंत्र शोधकर्ता परहम घयूर का एक नया अध्ययन इस बात की जांच करता है कि क्या क्वांटम दृष्टिकोण का एक विशिष्ट प्रकार वास्तव में प्रोटीन आकृतियों के नमूनाकरण (sampling) में सुधार कर सकता है, या यह केवल वही करता है जो शास्त्रीय कंप्यूटर पहले से ही अच्छी तरह से करते हैं। यह शोध वास्तविक क्वांटम कंप्यूटर का उपयोग नहीं करता है; इसके बजाय, यह यह देखने के लिए एक शास्त्रीय मशीन पर क्वांटम व्यवहार का अनुकरण करता है कि क्या अंतर्नि trữ तर्क सही है। महत्वपूर्ण रूप से, अध्ययन स्पष्ट रूप से यह दावा करता है कि यह न तो एक प्रदर्शित क्वांटम गति (speedup) है और न ही एक यथार्थवादी प्रोटीन-फोल्डिंग भविष्यवक्ता।

अध्ययन प्रोटीन के एक सरलीकृत मॉडल पर केंद्रित है जिसे 'हाइड्रोफोबिक-पोलर लैटिस मॉडल' कहा जाता है। कल्पना कीजिए कि मोतियों की एक श्रृंखला है जहाँ प्रत्येक मोती या तो पानी से दूर भागने वाला (water-repelling) है या पानी से प्यार करने वाला (water-loving)। श्रृंखला को एक ग्रिड पर मुड़ना चाहिए बिना खुद को काटे, और लक्ष्य यह देखना है कि पानी से दूर भागने वाले मोती ऊर्जा को कम करने के लिए कैसे एक साथ समूह बनाते हैं। हालांकि यह वास्तविक प्रोटीन का एक खिलौना संस्करण है, यह शक्तिशाली है क्योंकि वैज्ञानिक छोटी श्रृंखलाओं के लिए हर एक संभावित आकार की सटीक गणना कर सकते हैं। यह विभिन्न नमूनाकरण विधियों के बीच एक आदर्श तुलना की अनुमति देता है। घयूर ने इन आकृतियों को उत्पन्न करने के पांच अलग-अलग तरीकों का परीक्षण किया। तीन शास्त्रीय विधियाँ थीं: एक जो आकृतियों को पूरी तरह से यादृच्छिक (random) रूप से चुनता था, एक जो श्रृंखला में छोटे, स्थानीय समायोजन करता था, और एक जिसने संभावनाओं में फैलने के लिए एक मानक प्रसार (diffusion) प्रक्रिया का उपयोग किया। अन्य दो क्वांटम-प्रेरित विधियाँ थीं। एक ने एक निरंतर क्वांटम वॉक (continuous quantum walk) का उपयोग किया, एक ऐसी प्रक्रिया जहाँ प्रणाली ऊर्जा को देखे बिना क्वांटम यांत्रिकी के नियमों के अनुसार विकसित होती है। दूसरे ने एक संशोधित संस्करण का उपयोग किया जिसने वॉक को आकृतियों की ऊर्जा के आधार पर निर्देशित करने का प्रयास किया।

क्वांटम दृष्टिकोण में मुख्य नवाचार एक चतुर गणितीय युक्ति थी। क्वांटम कंप्यूटरों का उपयोग करने के पिछले प्रयासों में, शोधकर्ताओं को यह तय करने के लिए कि नई आकृति को स्वीकार किया जाए या नहीं, एक आकृति से दूसरी आकृति में जाने की सटीक संभावना की गणना करनी पड़ती थी। वास्तविक क्वांटम डिवाइस पर इस तरह की गणना करना अत्यंत कठिन है। घयूर के तरीके ने एक सममित (symmetric) क्वांटम वॉक का उपयोग किया, जहाँ खेल के नियम पूरी तरह से संतुलित हैं। चूंकि क्वांटम नियम सममित थे, इसलिए शोधकर्ता जटिल संभावना गणना को पूरी तरह से छोड़ सकते थे। वे बस क्वांटम प्रणाली को विकसित होने दे सकते थे, परिणाम माप सकते थे, और नई आकृति को रखने का निर्णय लेने के लिए एक मानक नियम का उपयोग कर सकते थे। इसने एक प्रमुख तकनीकी बाधा को हटा दिया, जिससे यह विधि भविष्य के क्वांटम हार्डवेयर के लिए सैद्धांतिक रूप से तैयार हो गई।

जब अध्ययन ने इन सिमुलेशन को चलाया, तो परिणाम आश्चर्यजनक रूप से स्पष्ट थे। अनकंडीशन्ड (unconditioned) क्वांटम वॉक, जिसने ऊर्जा स्तरों को नहीं देखा, ने सर्वश्रेष्ठ शास्त्रीय प्रसार विधि के लगभग समान प्रदर्शन किया। दोनों दृष्टिकोणों ने आकृतियों का एक संग्रह तैयार किया जो लगभग 0.020 की औसत त्रुटि के साथ सटीक सैद्धांतिक वितरण से मेल खाता था। इसके विपरीत, जिस विधि ने क्वांटम वॉक को गाइड करने के लिए ऊर्जा जानकारी का उपयोग करने का प्रयास किया, उसने वास्तव में खराब प्रदर्शन किया, जिसमें लगभग 0.040 की उच्च त्रुटि दर देखी गई। यह एक महत्वपूर्ण निष्कर्ष था। इसने सुझाव दिया कि क्वांटम जनरेटर में ऊर्जा जानकारी जोड़ना स्वचालित रूप से इसे परिदृश्य का पता लगाने में बेहतर नहीं बनाता है। वास्तव में, ऊर्जा-निर्देशित संस्करण एक ऐसे जाल में फंस गया जहाँ इसने बहुत अधिक उन चालों को स्वीकार किया जिन्होंने वास्तव में आकार नहीं बदला, जिससे खराब मिक्सिंग और प्रोटीन के व्यवहार की कम सटीक तस्वीर मिली।

शोधकर्ताओं ने यह भी देखा कि सिमुलेशन को अपने शुरुआती बिंदु को "भूलने" और परिदृश्य के वास्तविक प्रतिनिधित्व में बसने में कितना समय लगता है। उन्होंने पाया कि क्वांटम वॉक ने शास्त्रीय प्रसार विधि की तुलना में गति का कोई लाभ नहीं दिया। कुछ मामलों में, क्वांटम वॉक मिक्सिंग में थोड़ा धीमा था। अध्ययन ने सात, आठ और नौ मोतियों की श्रृंखलाओं का परीक्षण किया, और इन सभी परीक्षणों में, क्वांटम विधि ने कभी भी शास्त्रीय एक से लगातार बेहतर प्रदर्शन नहीं किया। डेटा ने दिखाया कि क्वांटम यांत्रिकी में निहित हस्तक्षेप पैटर्न (interference patterns), जिन्हें अक्सर क्वांटम गति के स्रोत के रूप में उद्धृत किया जाता है, इस विशिष्ट संदर्भ में तेज़ या अधिक सटीक नमूनाकरण में अनुवादित नहीं हुए। क्वांटम वॉक अनिवार्य रूप से उसी काम को करने का एक अलग तरीका था, लेकिन बिना किसी मापने योग्य दक्षता के।

यह कार्य क्वांटम बायोफिजिक्स के क्षेत्र के लिए एक आवश्यक वास्तविकता की जाँच (reality check) के रूप में कार्य करता है। यह प्रदर्शित करता है कि जबकि प्रोटीन आकृतियों के नमूनाकरण के लिए क्वांटम वॉक का उपयोग करने का गणितीय ढांचा सुदृढ़ है और पिछले तकनीकी अवरोधों से बचता है, यह वर्तमान में कोई कम्प्यूटेशनल लाभ प्रदान नहीं करता है। अध्ययन स्पष्ट रूप से इस विचार को खारिज करता है कि केवल प्रोटीन फोल्डिंग पर क्वांटम यांत्रिकी लागू करने से नमूनाकरण की समस्या हल हो जाएगी। इसके बजाय, यह दिखाता है कि इन छोटे, सरलीकृत मॉडलों के लिए, एक अच्छी तरह से ट्यून किया गया शास्त्रीय तरीका उतना ही प्रभावी है। लेखक इस बात पर जोर देते हैं कि उनके परिणाम ग्रिड पर बहुत छोटी श्रृंखलाओं के सिमुलेशन पर आधारित हैं, न कि कोशिका में वास्तविक प्रोटीनों पर। वे चेतावनी देते हैं कि इसे जैविक प्रोटीनों तक स्केल करने के लिए आकृतियों को एनकोड करने और क्वांटम संचालन को कुशलतापूर्वक चलाने के विशाल नए चुनौतियों को हल करने की आवश्यकता होगी।

अंततः, यह पेपर एक पुनरुत्पादनीय बेंचमार्क और एक स्पष्ट नकारात्मक नियंत्रण (negative control) प्रदान करता है। यह सिद्ध करता है कि एक सममिति-संरक्षण करने वाला क्वांटम वॉक जटिल संभावना अनुपात की गणना किए बिना प्रोटीन आकृतियों के सही सांख्यिकीय वितरण को उत्पन्न कर सकता है। हालाँकि, यह यह भी दिखाता है कि यह क्षमता वर्तमान में उन आकृतियों को खोजने के लिए एक तेज़ या बेहतर तरीका नहीं है जो स्थापित शास्त्रीय तकनीकों की तुलना में अधिक कुशल हैं। अध्ययन निष्कर्ष निकालता है कि आगे का रास्ता यह मान लेना नहीं है कि क्वांटम लाभ मौजूद है, बल्कि अधिक भौतिक रूप से सार्थक क्वांटम मॉडल विकसित करना और बड़े, अधिक यथार्थवादी सिस्टम पर अनुकूलित शास्त्रीय बेसलाइन के विरुद्ध उनका कड़ाई से परीक्षण करना है। तब तक, प्रोटीन फोल्डिंग के लिए क्वांटम गति का वादा एक प्रदर्शित वास्तविकता के बजाय एक सैद्धांतिक संभावना बनी हुई है।