⚛️ quantum physics

Quantum Approximate Optimisation Algorithm for Protein Sidechain Packing

본 논문은 제약 조건 보존 안사츠(constraint-preserving ansatz)를 적용한 양자 근사 최적화 알고리즘(QAOA)을 활용하여 AlphaFold2 백본 상의 NP-난해한 단백질 측쇄 패킹 문제를 효율적으로 해결하는 하이브리드 양자-고전 파이프라인을 제시하며, 고전적인 전수 조사 방식과 비교하여 개선된 형태 형성 에너지와 확장 가능한 성능을 입증한다.

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

게시일 2026-09-28

📖 3 분 읽기🧠 심층 분석

CC BY 4.0

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

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

단백질은 생명의 일꾼으로, 우리를 살아가게 하는 화학적 과정을 주도하는 아주 작은 분자 기계입니다. 단백질이 기능하기 위해서는 마치 길고 유연한 사슬이 정교한 매듭으로 꼬이는 것처럼, 특정한 안정적인 3차원 구조로 접혀야 합니다. 과학자들은 이 사슬의 중심 척추이자 구조를 지탱하는 핵심인 단백질의 주요 골격(backbone)을 예측하는 데 매우 능숙해졌습니다. 그러나 마지막 결정적인 단계는 이 골격에서 뻗어 나오는 '측쇄(sidechains)'라고 불리는 더 작은 화학적 가지들을 배치하는 것입니다. 이 가지들은 약물이 단백질에 결합하려는 것과 같이 단백질이 다른 분자들과 상호작용하는 방식을 결정합니다. 만약 이 측쇄들이 조금이라도 잘못 배치되면, 단백질의 기능이 실패하거나 약물이 목표물을 놓칠 수 있습니다. 현대의 컴퓨터 프로그램들은 주요 형태를 높은 신뢰도로 예측할 수 있지만, 이러한 측면의 가지들을 동일한 정확도로 배치하는 데는 종종 어려움을 겪으며, 이는 효과적인 의약품을 설계하는 우리의 능력에 공백을 남깁니다.

뉴캐슬 대학교의 연구진은 고전 컴퓨터와 양자 컴퓨팅 기술을 결합한 하이브리드 접근 방식을 사용하여 이 간극을 메우는 새로운 방법을 개발했습니다. 그들의 목표는 '알파폴드(AlphaFold)'라는 강력한 도구로 예측된 단백질 구조를 가져와, 측쇄의 위치를 정밀하게 조정하여 가장 안정적이고 에너지가 낮은 배치를 찾는 것이었습니다. 단백질 접힘의 세계에서 이러한 완벽한 배치를 찾는 것은 악명 높게 어려운 퍼즐입니다. 측쇄를 배치할 수 있는 가능한 방법의 수는 너무 빠르게 증가하여, 단백질이 커질수록 가장 빠른 슈퍼컴퓨터조차 모든 가능성을 일일이 확인하는 것이 불가능해집니다. 이는 문제의 크기가 커짐에 따라 난이도가 폭발적으로 증가하는 작업에 대한 분류인 'NP-난해(NP-hard)' 문제로 알려져 있습니다.

이를 해결하기 위해 연구팀은 먼저 표준 소프트웨어를 사용하여 단백질 데이터를 준비하고 각 측쇄에 대한 관리 가능한 형태의 집합을 선택하는 파이프라인을 구축했습니다. 그런 다음 이 정제된 문제를 '양자 근사 최적화 알고리 알고리즘(QAOA)'이라 불리는 양자 알고리즘에 전달했습니다. 이 알고리즘은 방대한 가능성을 탐색하여 최적의 해답을 찾도록 설계되었습니다. 양자 컴퓨터를 이 작업에 사용하는 데 있어 주요 장애물은, 양자 컴퓨터가 하나의 측쇄가 동시에 두 곳에 존재하는 것과 같은 물리적으로 불가능한 조합을 포함하여 모든 조합을 자연스럽게 탐색한다는 점입니다. 연구진은 특별한 시작점을 설계하고 양자 시스템이 진화하는 특정 규칙을 만듦으로써 이 문제를 해결했습니다. 그들은 모든 가능한 위치가 동일하게 나타날 확률을 가진 상태에서 시작하여, 시스템이 유효한 단일 위치의 영역을 벗어나지 않도록 하는 순환 혼합 프로세스를 사용했습니다. 이 영리한 설정은 계산 속도를 늦추는 데 흔히 쓰이는 복잡한 페널티 항의 필요성을 제거하여, 시스템이 오로지 가장 낮은 에너지 상태를 찾는 데 집중할 수 있게 해주었습니다.

연구팀은 '소 췌장 트립신 억제제(bovine pancreatic trypsin inhibitor)'라는 특정 단백질을 대상으로, 알파폴드의 고신뢰도 영역과 중간 신뢰도 영역 모두에서 그들의 방법을 테스트했습니다. 기존 예측이 이미 매우 강력했던 영역에서는 양자 방식이 기존 결과와 대체로 일치했으며, 때때로 약간 더 나은 배치를 찾아내기도 했습니다. 그러나 기존 예측이 덜 확실했던 영역에서는 새로운 방법이 상당한 가능성을 보여주었습니다. 이러한 중간 신뢰도 구역에서 양자 접근 방식은 훨씬 더 안정적인 배치를 찾아냈으며, 에너지 개선도는 평균 8킬로칼로리/몰 이상이었고 최대 16킬로칼로리/몰 이상에 달했습니다. 이러한 결과는 이 방법이 초기 예측이 약했던 영역에서 오류를 수정하는 데 특히 효과적임을 시사합니다.

결정적으로, 연구진은 단순히 이러한 개선 사항을 주장하는 데 그치지 않고, 문제의 크기가 커짐에 따라 양자 컴퓨터가 최적의 답을 신뢰성 있게 찾기 위해 얼마나 많은 시도(shots)가 필요한지 측정하는 방법을 개발했습니다. 그들은 필요한 시도 횟수가 증가하기는 하지만, 특정 유형의 단백질에서 나타나는 고전적 방법의 지수적 폭발과는 달리 고성능 컴퓨팅 환경에서 충분히 관리 가능한 수준으로 성장한다는 것을 발견했습니다. 이 연구는 이 하이브리드 파이프라인이 단백질 구조의 에너지를 낮추기 위해 측쇄를 재배치(repack)할 수 있음을 확인시켜 주며, 신약 개발의 정확도를 높일 수 있는 잠재적인 도구를 제공합니다. 이 작업은 실제 양자 하드웨어가 아닌 강력한 그래픽 프로세서에서 실행되는 시뮬레이션 단계에 머물러 있지만, 수학적 프레임워크가 건실하며 향후 실제 양자 장치에서의 테스트를 위한 준비가 되었음을 입증합니다. 초기 예측의 품질과 최적화 과정을 분리함으로써, 이 방법은 시작점이 얼마나 좋았는지와 관계없이 주어진 옵션 세트 내에서 최선의 구조를 찾는 신뢰할 수 있는 방법을 제공합니다.

기술 요약: 단백질 사이드체인 패킹을 위한 양자 근사 최적화 알고리즘 (QAOA)

문제 정의
단백질 사이드체인 패킹(sidechain packing)은 단백질 접힘(protein folding)의 핵심적인 하위 문제로, 고정된 백본(backbone)에 대한 아미노산 사이드체인(로타머, rotamer)의 3차원적 배치를 결정한다. 이 과정은 구조 기반 신약 개발에서 필수적인데, 결합 부위가 이러한 사이드체인 형태에 의해 정의되기 때문이다. AlphaFold2와 같은 도구들은 단백질 백본을 안정적으로 예측하지만, 사이드체인의 위치는 실험 데이터와 최대 20%까지 차이가 날 수 있다. 고정된 백본에 대해 가장 낮은 에너지를 갖는 로타머 할당을 찾는 것은 NP-hard 조합 최적화 문제이다. Rosetta의 스토캐스틱 몬테카를로 탐색과 같은 고전적 휴리스틱은 전역 최적해(global optimality)를 보장하지 못한다. 본 논문은 이를 해결하기 위해 사이드체인 에너지 최소화를 양자 근사 최적화 알고리즘(QAOA)으로 해결 가능한 이차 무제약 이진 최적화(QUBO) 문제로 재정의하는 하이브리드 양자-고전 파이프라인을 제안한다.

방법론
제안된 파이프라인은 전처리, QAOA 최적화, 후처리의 세 단계로 작동한다.

전처리 및 고정 백본 축소:
PyRosetta를 사용하여, 파이프라인은 AlphaFold2로부터 유도된 고정된 백본 좌표를 가진 단백질 부분 구조(예: Bovine Pancreatic Trypsin Inhibitor, 5PTI)를 분석한다. 이는 Dunbrack 라이브러리를 기반으로 유효한 로타머의 이산 라이브러리를 생성한다. 계산 복잡도를 관리하기 위해, 일체(one-body) 에너지를 기준으로 한 라운드 로빈 선택을 통해 로타머 집합을 가지치기(pruning)하며, 잔기(residue)당 후보 수를 $R$ 로 제한한다. 이는 작업을 각 잔기에서 단 하나의 로타머를 선택하여 전체 형태 변화 에너지를 최소화하는 것으로 축소한다.
QUBO 정식화:
일체 및 이체 상호작용 항을 포함하는 쌍체 에너지 함수(pairwise energy function)는 Pauli-Z 연산자를 사용하여 비용 해밀토니안( $H_C$ )으로 인코딩된다. 원-핫 인코딩(one-hot encoding) 방식이 채택되어, 유효한 로타머당 하나의 큐비트를 할당한다. 이는 큐비트 수의 선형적 증가( $M$ 개의 잔기와 $N$ 개의 평균 로타머에 대해 $MN$ )를 초래하지만, 실제 희소성(sparsity) 덕분에 최악의 경우에도 비용 해밀토니안 항은 $O(MN \cdot d)$ 로 감소한다.
제약 조건 보존 안사츠(Ansatz):
비용 함수에 페널티 항을 사용하는 대신, "원-핫" 제약 조건(각 잔기당 정확히 하나의 로타머 선택)을 강제하기 위해 저자들은 특정 안사츠를 도입한다:

초기 상태: 시스템은 W-상태, 즉 각 잔기 서브 레지스터에 대한 모든 단일 들뜸(single-excitation) 기저 상태의 균등 중첩 상태로 초기화된다. 이는 시스템이 유효한 해밍 가중치-1(Hamming-weight-1) 서브스페이스 내에서 시작하도록 보장한다.
믹서 해밀토니안(Mixer Hamiltonian): 완전 연결 그래프 믹서(두 큐비트 게이트가 $O(MN^2)$ 로 스케일링됨) 대신, 순환형 XY 링 믹서(cyclic XY ring mixer)를 사용한다. 이는 상호작용을 폐쇄 루프 내의 인접한 로타머로 제한한다. 이 토폴로지는 해밍 가중치를 보존하여(진화 과정 내내 유효성이 유지됨을 보장) 두 큐비트 게이트 스케일링을 $O(MN)$ 으로 줄인다.
최적화 전략: 워밍 스타트(warm-starting) 접근법이 활용된다. 여기서 깊은 회로( $p$ )의 파라미터는 얕은 회로의 최적화된 파라미터를 사용하여 초기화되며, 새로운 레이어는 0으로 패딩(zero-padding)되고 안장점(saddle points)을 탈출하기 위해 가우시안 노이즈가 추가된다.

평가 지표:

$\Delta E$ : QAOA 결과와 AlphaFold 베이스라인 간의 에너지 차이( $E_{QAOA} - E_{AF}$ ). 결과는 승리(Wins, $\Delta E < -1.5$ kcal/mol), 무승부(Ties, $|\Delta E| \le 1.5$ kcal/mol), 패배(Losses, $\Delta E > 1.5$ kcal/mol)로 분류된다.
$S(N)$ (점근적 샷 스케일링 지표): 99.99%의 확률로 전역 최소 에너지 형태(GMEC)를 회복하는 데 필요한 샷(shot) 수를 추정하기 위해 정의된 지표이다. 이는 최적화 품질과 AlphaFold 베이스라인의 품질을 분리하기 위해, 실험적으로 해결된 그라운드 트루스(소규모 하위 시스템에 대해 전수 조사됨)를 대상으로 계산된다.

주요 결과
파이프라인은 GPU 상에서 고전적 상태 벡터 시뮬레이션을 통해 5PTI 단백질에 대해 평가되었다.

고신뢰 영역 (pLDDT > 90): AlphaFold의 백본 및 사이드체인 예측이 매우 신뢰할 수 있는 영역에서, QAOA 파이프라인은 베이스라인 대비 제한적인 개선을 보였다. 5~14 큐비트 조건에서 승리(Wins)는 15.6%의 실행에서 나타났으며, 특정 잔기 윈도우(예: 60–63)에 집중되었다. 큐비트 수가 18 및 22로 증가함에 따라 승률은 0으로 떨어졌으며, 결과는 주로 무승부(ties)가 되었다. 저자들은 이를 "이산화 페널티(discretisation penalty)" 때문이라고 설명한다. 즉, 이미 최적에 가까운 연속적인 AlphaFold 형태를 유한한 이산 라이브러리에 강제로 맞추는 과정에서, 양자 솔버의 실패가 아니라 이산 탐색 공간이 더 제한적이기 때문에 더 높은 에너지 상태가 되는 것이다.
중간 신뢰 영역 (pLDDT $\approx$ 80): AlphaFold의 사이드체인 배치가 덜 신뢰할 수 있는 영역에서, 파이프라인은 유의미한 개선을 달성했다. 1,500회의 실행(5–14 큐비트) 동안 54%가 승리였으며, 평균 개선도는 -8.114 kcal/mol, 피크치는 -16.265 kcal/mol였다. 저자들은 이러한 이득이 양자 솔버 자체의 우월성이라기보다 AlphaFold 베이스라인의 약점을 반영하는 것이라고 명시한다. $S(N)$ 은 최적화 도구가 후보 집합 내에서 최선의 옵션을 찾는 능력을 입증함으로써 이를 뒷받와한다.
샷 스케일링 ( $S(N)$ ): 적합된 성장 곡선( $e^{0.31N}$ )은 중간 정도의 로타머 유연성 범위 내에서 고전적 전수 조사(exhaustive-search) 속도보다 낮게 유지되었다. 이 지표는 필요한 샘플링 오버헤드가 단순히 총 큐비트 수뿐만 아니라 특정 국소 에너지 지형(local energy landscape)과 잔기 선택에 민감함을 보여주었다.

의의 및 주장
본 논문은 NP-hard인 사이드체인 패킹 문제를 성공적으로 다루는 실행 가능한 하이브리드 양자-고전 파이프라인을 제시한다고 주장한다. 주요 기여는 다음과 같다:

제약 조건 보존 안사츠: W-상태 초기화와 순환형 XY 링 믹서의 새로운 조합을 통해 구조적으로 원-핫 유효성을 강제하며, 이를 통해 페널티 항의 필요성을 제거하고 두 큐비트 게이트 스케일링을 $O(MN^2)$ 에서 $O(MN)$ 으로 줄였다.
베이스라인 독립적 평가: $S(N)$ 지표의 도입을 통해, 시작점이 되는 AlphaFold 구조의 품질과 무관하게 이론적 최적값(GMEC)에 대한 QAOA의 성능을 평가할 수 있게 하였다. 이는 솔버의 실패와 연속 문제를 이산화할 때 발생하는 본질적 한계를 구분해 준다.
개념 증명: 본 연구는 양자 최적화가 특히 고전적 베이스라인이 약한 영역에서 AlphaFold 베이스라인보다 낮은 형태 변화 에너지를 달est할 수 있음을 입증하였다.

저자들은 관찰된 중간 신뢰 영역에서의 에너지 개선이 문제 자체를 해결하는 양자 우위의 증명이라기보다 약한 베이스라인에 의한 결과물일 수 있다는 점을 언급하며, 광범위한 함의에 대해 신중한 태도를 유지한다. 그들은 이 방법의 신약 개발 유용성을 확립하기 위해서는 결합 친화도(binding affinity) 및 구조적 안정성에 대한 다운스트림 검증이 필요하다고 강조한다. 또한, 5PTI 이외의 다른 단백질에 대한 $S(N)$ 예산의 일반화 가능성과 실제 양자 장치에서의 하드웨어 노이즈 영향은 여전히 해결해야 할 과제로 남아 있다.

유사한 논문