How to use quantum computers for biomolecular free energies

Titel: Hoe kwantumcomputers te gebruiken voor biomoleculaire vrije energieën

Auteurs: Jakob Günther et al. (Universiteit van Kopenhagen, ETH Zürich, MIT, etc.)
Datum: Juni 2025

---

1. Het Probleem

Het nauwkeurig berekenen van vrije energieverschillen (binding van liganden aan eiwitten) is cruciaal voor het begrijpen van biologische processen en het ontwikkelen van nieuwe medicijnen. Huidige methodes kampen met twee fundamentele beperkingen:

• Schaalbaarheid: Traditionele kwantummechanische methoden (zoals DFT of Coupled Cluster) zijn te rekenintensief voor grote biomoleculen (duizenden atomen) omdat de complexiteit exponentieel toeneemt met het systeemgrootte ("curse of dimensionality").
• Nauwkeurigheid vs. Sampling: Klassieke krachtvelden (Molecular Mechanics, MM) kunnen grote systemen simuleren, maar missen vaak de benodigde kwantummechanische nauwkeurigheid, vooral bij complexe systemen met overgangsmetalen of open-schil elektronenstructuren.
• Kwantumcomputers: Hoewel kwantumcomputers theoretisch in staat zijn om de golf functie van grote systemen efficiënt te simuleren, zijn huidige pipelines niet ingericht om deze technologie te integreren in vrije-energieberekeningen, noch zijn de hardware-eisen voor dergelijke toepassingen duidelijk gedefinieerd.

2. Methodologie: De FreeQuantum Pipeline

De auteurs presenteren FreeQuantum, een geïntegreerde, end-to-end computational pipeline die machine learning (ML) combineert met een tweevoudige kwantum-embedding strategie. Het doel is om nauwkeurige kwantumdata van kleine substructuren te koppelen aan de totale potentiële energie van een groot biomoleculair complex.

De kerncomponenten van de pipeline:

1. Drie-laags Embedding Strategie (QM/QM/MM):

   • Buitenste laag (MM): De volledige omgeving wordt behandeld met klassieke krachtvelden voor het samplen van de configuratieruimte (moleculaire dynamica).
   • Middenlaag (QM/MM): Een "kwantumgebied" rondom het ligand en het actieve centrum wordt behandeld met DFT (Density Functional Theory).
   • Binnenste laag (Quantum Core): Binnen het kwantumgebied worden nog kleinere "kwantumkernen" gedefinieerd (bijv. het metaalcentrum van een medicijn). Deze worden behandeld met zeer nauwkeurige golffunctiemethoden (zoals CAS-NEVPT2 of Coupled Cluster) of, in de toekomst, met kwantumcomputers.

2. Machine Learning Potentiaal (ML1 en ML2):

   • ML1: Een ML-potentiaal wordt getraind op QM/MM-data via een "active learning" lus. Dit vult de gaten tussen de dure QM-berekeningen en de snelle MM-sampling.
   • ML2 (Transfer Learning): Om de ML1 te verfijnen, worden de zeer nauwkeurige data van de "Quantum Core" (QM/QM/MM) gebruikt. Omdat deze data schaars is en krachten soms niet direct beschikbaar zijn, wordt transfer learning toegepast om ML1 te upgraden naar ML2 zonder dat een volledig nieuwe dataset nodig is.

3. Vrije Energie Berekening:

   • De bindingvrije energie ($\Delta G_{binding}$) wordt berekend via Free Energy Perturbation (FEP) met behulp van de Multistate Bennett Acceptance Ratio (MBAR).
   • De pipeline automatiseert het proces van structuren selecteren, QM-berekeningen uitvoeren, ML-modellen trainen en FEP-simulaties uitvoeren.

4. Kwantum Computing Integratie:

   • De pipeline is ontworpen om de "Quantum Core" berekeningen uit te voeren met toekomstige kwantumalgoritmen (zoals Quantum Phase Estimation - QPE).
   • Er worden twee embedding-strategieën onderzocht voor de kwantumkern: Huzinaga-projectie en Bootstrap Embedding. Laatstgenoemde is bijzonder geschikt voor kwantumcomputers omdat het het systeem opsplitst in overlappende subsystemen die afzonderlijk kunnen worden opgelost.

3. Belangrijkste Resultaten

De auteurs testen de pipeline op een complex geval: de binding van het ruthenium-gebaseerde anticancer medicijn NKP-1339 aan het eiwit GRP78. Dit is een "open-shell" systeem met een overgangsmetaal, wat klassieke krachtvelden vaak faalt.

• Vergelijking van Methoden:

  • MM (Klassiek): $\Delta G \approx -19.1$ kJ/mol (onnauwkeurig voor dit type systeem).
  • QM/MM (DFT): $\Delta G \approx -17.0$ kJ/mol.
  • QM/QM/MM (Nauwkeurigste klassieke methode - NEVPT2): $\Delta G \approx -11.3 \pm 2.9$ kJ/mol.
  • De resultaten tonen aan dat de hoge nauwkeurige kwantummethoden (NEVPT2 en UCCSD(T)) een significante correctie geven ten opzichte van DFT en MM, wat essentieel is voor betrouwbare voorspellingen bij overgangsmetalen.

• Kwantum Resources Schatting:

  • De auteurs berekenen de vereiste resources voor het uitvoeren van QPE op de ruthenium-kern met een kwantumcomputer.
  • Voor een actieve ruimte van 30 orbitale (waarbij traditionele methoden al aan hun limiet komen) zijn ongeveer 60 qubits nodig voor een eenvoudige implementatie.
  • Voor grotere actieve ruimtes (60 orbitale) om dynamische correlatie volledig te vangen, zijn ongeveer 1000 logische qubits nodig met zeer lage foutpercentages ($<10^{-10}$) en een gate-tijd van $10^{-7}$ seconden.
  • Met parallelisatie zou de volledige pipeline binnen 24 uur kunnen worden uitgevoerd, wat vergelijkbaar is met experimentele doorlooptijden.

4. Belangrijke Bijdragen

1. Eerste End-to-End Pipeline: Dit is een van de eerste werken dat een volledig geautomatiseerde workflow presenteert die klassieke sampling, machine learning en hoge-nauwkeurige kwantumchemie (zowel klassiek als toekomstig kwantum) combineert voor vrije-energieberekeningen.
2. Definitie van Kwantumvoordeel: De auteurs geven concrete criteria wanneer kwantumcomputers een meerwaarde bieden: niet alleen voor sterk gecorreleerde systemen, maar ook voor de "top-linker" kwadrant van biomoleculaire simulaties (grote configuratieve vrijheid met matige elektronische complexiteit), zoals eiwitten en nucleïnezuren.
3. Transfer Learning Strategie: Het succesvol toepassen van transfer learning om schaarse, hoge-kwaliteit kwantumdata (van de kern) te integreren in een ML-model voor het hele systeem, wat de rekenkosten drastisch verlaagt.
4. Open Source: De FreeQuantum pipeline is open source en modulair ontworpen, zodat toekomstige verbeteringen in kwantumhardware en algoritmen eenvoudig kunnen worden geïntegreerd.

5. Betekenis en Conclusie

Dit paper markeert een belangrijke stap in de realisatie van kwantumvoordeel in de biochemie. Het toont aan dat het niet nodig is om het hele eiwit op een kwantumcomputer te simuleren om baat te hebben bij kwantumcomputing. Door slimme embedding en machine learning te combineren, kunnen kwantumcomputers de "bottleneck" van de nauwkeurige energieberekening oplossen voor de kritieke substructuren.

De studie concludeert dat met de komst van fouttolerante kwantumcomputers (met enkele duizenden logische qubits), het mogelijk wordt om vrije energieën van complexe biologische systemen met een ongeëvenaarde nauwkeurigheid te berekenen. Dit opent de weg voor rationeel drugdesign, het ontwerpen van eiwitten en het begrijpen van ziektemechanismen op een niveau dat vandaag de dag onbereikbaar is.