Logarithmic-scale variational quantum eigensolver for off-lattice protein structure prediction in continuous torsional angle space
Questo articolo introduce un algoritmo di eigensolver quantistico variazionale a scala logaritmica che consente la prima previsione della struttura proteica all-atom, off-lattice in spazio torsionale continuo riducendo i requisiti dei qubit da lineari a logaritmici, dimostrando con successo il recupero di strutture simili a quelle native per piccole proteine sia su simulatori che su hardware quantistico reale.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Le proteine sono le macchine molecolari che mantengono in funzione la vita, ripiegandosi in intricate forme tridimensionali per svolgere i propri compiti. Prevedere esattamente come una sequenza di amminoacidi si torcerà e ruoterà nella sua forma finale e funzionale è stato uno degli enigmi più ostinati della biologia. Per decenni, gli scienziati si sono affidati a potenti computer classici per simulare queste forme, ma l'enorme numero di modi possibili in cui una proteina può contorcersi è così vasto che anche i supercomputer più veloci faticano a trovare la risposta corretta senza perdersi. Recentemente, un nuovo strumento è entrato nel campo: il computer quantistico. A differenza delle macchine tradizionali che elaborano informazioni in bit binari, i computer quantistici utilizzano qubit, che possono esistere in più stati contemporaneamente, offrendo una potenziale scorciatoia attraverso il labirinto delle possibilità. Tuttavia, i primi tentativi di utilizzare queste macchine per il ripiegamento proteico erano limitati a modelli semplificati e a blocchi, che perdevano i dettagli fini della biologia reale.
Un team di ricercatori della Cleveland Clinic ha ora compiuto un passo significativo in avanti, dimostrando un metodo che utilizza i computer quantistici per predire le strutture proteiche in uno spazio continuo e all-atom (a tutti gli atomi), un livello di dettaglio precedentemente ritenuto impossibile per l'hardware quantistico a breve termine. Il loro lavoro, pubblicato come articolo di ricerca, introduce un nuovo algoritmo chiamato Quantum Torsion Folder. Invece di forzare le proteine su una griglia rigida, questo metodo tratta la proteina come una catena flessibile di angoli, codificando gli angoli di torsione dello scheletro e delle catene laterali direttamente nelle fasi di uno stato quantistico. Utilizzando una strategia di scalabilità logaritmica, il team ha dimostrato di poter rappresentare la complessa geometria di una proteina utilizzando esponenzialmente meno qubit rispetto ai metodi tradizionali. Nelle simulazioni, questo approccio ha generato con successo modelli di due piccole proteine, la chignolina e la Trp-cage, che somigliano da vicino alle loro forme determinate sperimentalmente. Quando i ricercatori hanno testato il metodo su hardware quantistico reale, hanno recuperato strutture simili a quelle native, provando che il segnale quantistico può sopravvivere al rumore dei dispositivi reali, sebbene i risultati variassero a seconda della macchina specifica utilizzata.
La sfida principale del ripiegamento proteico è navigare in un panorama di possibilità che cresce esponenzialmente con la dimensione della proteina. Immaginate di cercare una singola disposizione specifica di una lunga corda flessibile tra miliardi di altri modi in cui potrebbe essere aggrovigliata. I computer classici spesso rimangono bloccati in valli locali, trovando una forma che è stabile ma non quella corretta. I ricercatori hanno affrontato questo problema spostando l'attenzione dalle coordinate spaziali agli angoli con cui la catena proteica si piega. Nel loro nuovo framework, un circuito quantistico agisce come un generatore, creando un'onda complessa di probabilità che codifica questi angoli di piegatura. Un computer classico agisce poi come valutatore, prendendo questi angoli e costruendo un modello 3D completo della proteina per controllarne la stabilità fisica, assegnando un punteggio in base a quanto bene gli atomi si incastrano e quanta energia richiede la struttura. Si crea così un ciclo in cui il computer quantistico suggerisce una forma, il computer classico la valuta e il computer quantistico ne regola i parametri per riprovare, affinando gradualmente la struttura verso un ripiegamento stabile.
Per far sì che ciò funzionasse sulle attuali macchine quantistiche, il team ha dovuto risolvere un problema complicato: i computer quantistici non possono leggere direttamente le fasi complesse che contengono l'informazione angolare. Su un simulatore perfetto, queste fasi sono visibili, ma sull'hardware reale si possono osservare solo le probabilità di misurare determinati stati. I ricercatori hanno sviluppato un ingegnoso espediente. Hanno mappato le probabilità osservate in una distribuzione cumulativa, traducendo efficacemente l'output rumoroso e misurabile del chip quantistico negli angoli continui necessari per costruire il modello proteico. Ciò ha permesso loro di eseguire lo stesso algoritmo sia su simulatori ad alta fedeltà che su veri processori quantistici, colmando il divario tra il design teorico e l'esecuzione pratica.
Il team ha testato il proprio metodo su due proteine in miniatura ben note: la chignolina, un piccolo peptide di dieci residui che si ripiega in una stretta forma a forcina, e la Trp-cage, una proteina leggermente più grande di venti residui con un mix più complesso di eliche e loop. Hanno eseguito migliaia di simulazioni indipendenti per ciascuna proteina, utilizzando tre diversi sistemi di punteggio energetico per valutare i risultati: una funzione personalizzata progettata specificamente per questo compito, il software ampiamente utilizzato Rosetta e il motore fisico OpenMM. Nelle simulazioni, il metodo si è dimostrato straordinariamente efficace nel campionare le forme corrette. Per la chignolina, i migliori modelli hanno raggiunto un alto grado di accuratezza, con alcuni snapshot che differivano dalla vera struttura sperimentale di meno di un angstrom, una distanza inferiore alla larghezza di un singolo atomo. Anche per la più difficile Trp-cage, il metodo ha trovato strutture molto più vicine alla forma nativa rispetto ai modelli finali selezionati, suggerendo che il computer quantistico stava esplorando con successo le giuste regioni del panorama di ripiegamento.
Un'intuizione chiave dello studio è stata che il modello finale prodotto dal processo di ottimizzazione non era sempre quello più accurato. I ricercatori hanno scoperto che mantenendo un registro di migliaia di snapshot a bassa energia raccolti durante il percorso di ripiegamento, potevano spesso trovare una struttura significativamente migliore di quella su cui l'algoritmo si era stabilizzato alla fine. Ciò suggerisce che il computer quantistico è eccellente nell'esplorare il vasto spazio delle possibilità e nel trovare candidati promettenti, ma la sfida risiede nella selezione del singolo miglior candidato da quel pool. La funzione di energia personalizzata ha ottenuto le prestazioni migliori nel guidare il sistema verso forme compatte e simili a quelle native, mentre gli altri sistemi di punteggio favorivano talvolta strutture che erano fisicamente stabili ma geometricamente più lontane dal ripiegamento reale.
Per verificare che questo approccio funzioni su hardware reale, il team ha eseguito i suoi migliori parametri di simulazione su due diversi processori quantistici di IBM: l'ibm_cleveland e l'ibm_miami. Hanno eseguito lo stesso circuito 300 volte su ciascuna macchina per tenere conto dell'inerzia intrinseca e del rumore delle misurazioni quantistiche. I risultati sono stati incoraggianti: su ibm_cleveland, il metodo ha recuperato strutture simili a quelle native in 88 tentativi su 300, con il miglior modello che raggiungeva un'accuratezza di 1,758 angstrom. Su ibm_miami, il tasso di recupero era inferiore, con 45 strutture riuscite su 300, e il miglior modello raggiungeva 1,782 angstrom. La differenza di prestazioni ha evidenziato che, sebbene l'algoritmo sia robusto, l'architettura specifica dell'hardware, la calibrazione e le caratteristiche di rumore del processore quantistico giocano un ruolo fondamentale nel risultato finale. I ricercatori hanno notato che i lavori su ibm_miami richiedevano tempi significativamente più lunghi nonostante avessero meno gate, indicando che fattori oltre la semplice dimensione del circuito, come la pianificazione degli impulsi e i ritardi di misurazione, influenzano l'efficienza.
Lo studio conclude che la predizione ad alta risoluzione della struttura proteica è fattibile sull'hardware quantistico a breve termine, a condizione che il problema venga formulato rispettando i limiti della macchina. Convertendo il problema da una ricerca di coordinate spaziali a una ricerca di angoli torsionali codificati in fasi quantistiche, il team ha ridotto il requisito dei qubit a un livello gestibile, permettendo la modellazione all-atom in spazio continuo. Sebbene il metodo affronti ancora delle sfide, in particolare per quanto riguarda l'accuratezza della valutazione dell'energia e l'overhead della lettura dei risultati da hardware rumoroso, esso stabilisce una base scalabile per il futuro. Il lavoro dimostra che i computer quantistici possono andare oltre i modelli grossolani e semplificati per affrontare la geometria realistica e continua delle molecole biologiche, offrendo un nuovo percorso per comprendere i meccanismi fondamentali della vita.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.