⚛️ quantum physics

Practical protein-pocket hydration-site prediction for drug discovery on a quantum computer

Dit artikel demonstreert het praktische nut van Noisy Intermediate-Scale Quantum (NISQ)-hardware voor medicijnontdekking door succesvol hydratatiesites in eiwitzakken te voorspellen op echte quantumapparaten met behulp van een hybride 3D-RISM en QUBO-gebaseerde optimalisatiebenadering die de klassieke precisie evenaart terwijl het een duidelijk pad naar volledig quantumvoordeel laat zien.

Oorspronkelijke auteurs: Daniele Loco, Kisa Barkemeyer, Andre R. R. Carvalho, Jean-Philip Piquemal

Gepubliceerd 2026-07-30

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Daniele Loco, Kisa Barkemeyer, Andre R. R. Carvalho, Jean-Philip Piquemal

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert een piepklein, perfect LEGO-kasteel te bouwen in een gigantische, complexe grot. Maar er is een addertje onder het gras: de grot is al gevuld met onzichtbare, gladde waterbellen die ervan houden om aan de wanden en aan elkaar te plakken. Als je je kasteel (een medicijn) in de grot wilt plaatsen zodat het perfect past, moet je eerst precies weten waar die waterbellen zich verstoppen. In de wereld van medicijnontwikkeling noemen wetenschappers deze verborgen bellen "hydratatieplaatsen". Het vinden van deze locaties is als het in kaart brengen van een mistige kamer in het donker; de watermoleculen bewegen voortdurend, vormen en breken onzichtbare ketens, wat het ongelooflijk moeilijk maakt om te voorspellen waar ze zullen gaan zitten. Als je dit fout doet, plakt je medicijn misschien niet goed aan zijn doelwit, en kan het hele medicijn falen. Decennialang hebben wetenschappers krachtige supercomputers gebruikt om te raden waar deze bellen terechtkomen, maar de wiskunde is zo zwaar en de ruimte zo uitgestrekt dat zelfs de snelste computers soms vastlopen of er eeuwig over doen om het beste antwoord te vinden.

Stel je nu voor dat je die zware supercomputer vervangt door een magische, futuristische rekenmachine die niet alleen getallen één voor één optelt, maar vele mogelijkheden tegelijkertijd verkent, zoals een geest die door elke muur in de grot tegelijkertijd kijkt. Dit is de belofte van quantum computing. In deze nieuwe studie besloot een team onderzoekers om te testen of deze magische rekenmachine daadwerkelijk zou kunnen helpen bij het oplossen van de "waterbel"-puzzel voor echte medicijn-doelwitten. Ze droomden er niet alleen over; ze namen een echt probleem mee—het uitzoeken waar water zich bevindt in de holtes van eiwitten die doelwitten zijn voor door de FDA goedgekeurde medicijnen—en probeerden dit probleem op te lossen met echte quantumhardware. Ze veranderden het rommelige probleem van waterplaatsing in een gigantische logische puzzel genaamd een "QUBO" (wat gewoon een chique manier is om te zeggen dat het een puzzel is waarbij je moet kiezen tussen twee opties, zoals "water hier" of "geen water hier", om de beste score te halen). Vervolgens stuurden ze deze puzzel naar een echte quantumcomputer om te zien of deze de winnende arrangement sneller of beter kon vinden dan de oude methoden.

De resultaten waren een fascinerende mix van "het werkt!" en "we zijn er bijna". Het team slaagde erin hun waterplaatsingspuzzel te draaien op IBM's nieuwste quantumapparaten, die tot wel 123 qubits hadden (de quantum-equivalent van bits). Ze ontdekten dat de quantumcomputer inderdaad de beste arrangement van watermoleculen kon vinden, waarbij de precisie overeenkwam met die van de beste klassieke methoden voor de kleinere puzzels die ze probeerden. Sterker nog, voor sommige van de testgevallen vond de quantum-solver de perfecte oplossing ongeveer 9% van de tijd, wat aanzienlijk beter was dan de "simulated annealing"-methode (een klassieke computertruc die het afkoelen van metaal nabootst) die ze ter vergelijking gebruikten, welke de perfecte oplossing slechts ongeveer 2% van de tijd vond. Dit suggere de dat quantumcomputers nu al in staat zijn om dergelijke specifieke puzzels voor medicijnontwikkeling aan te kunnen, zelfs met de huidige "ruisige" (een beetje glitchy) hardware.

De paper is echter voorzichtig om nog niet "we hebben gewonnen!" te roepen. De onderzoekers lieten zien dat hoewel de quantumcomputer goed werkte op de kleinere puzzels (rond de 100 variabelen), de echte uitdaging voor medicijnontwikkeling in veel grotere puzzels ligt. Wanneer ze de puzzel gedetailleerder en nauwkeuriger probeerden te maken door meer variabelen toe te voegen (tot 900 of zelfs 3.974), konden de huidige quantumcomputers de omvang nog niet aan. Ze moesten vertrouwen op klassieke computers om te simuleren wat er zou gebeuren met die grotere puzzels. De simulaties toonden aan dat naarmate de puzzel groter wordt, de nauwkeurigheid van de watervoorspelling veel beter wordt, waarbij tot wel 90% van de bekende waterposities wordt hersteld. De paper suggereert dat om dit niveau van nauwkeurigheid op een echte quantummachine te bereiken, we apparaten nodig hebben met ongeveer 1.000 qubits en het vermogen om ongeveer 100.000 specifieke quantumoperaties zonder fouten uit te voeren. Op basis van de roadmap van hardwarebedrijven zoals IBM, schatten de auteurs dat we dergelijke machines rond 2028 of 2029 kunnen verwachten.

Dus, wat is de belangrijkste les? Deze paper beweert niet dat quantumcomputers de supercomputers voor het maken van medicijnen al hebben vervangen. In plaats daarvan bewijst het dat het idee praktisch is. Ze hebben er succesvol een echt medicijnprobleem op een quantumcomputer gemapt en goede resultaten behaald. Ze hebben aangetoond dat naarmate de technologie groeit, de nauwkeurigheid waarschijnlijk nog beter zal worden. Het is als laten zien dat een nieuw type motor een auto door de straat kan rijden; het is nog geen Formule 1-raceauto, maar het bewijst dat de motor werkt, en met een paar extra upgrades kan het wel eens de snelste manier kunnen zijn om de finishlijn te bereiken. De auteurs concluderen dat deze aanpak het potentieel heeft om een standaardinstrument te worden voor het helpen van wetenschappers bij het ontwerpen van betere medicijnen, mits de hardware zich volgens verwachting blijft verbeteren.

Technische Samenvatting: Praktische voorspelling van hydratatieplaatsen in eiwitzakjes voor medicijnontwikkeling op een quantumcomputer

Probleemstelling
Nauwkeurige voorspelling van de configuraties van watermoleculen binnen de bindingszakjes van eiwitten is een cruciale, maar computationeel veeleisende taak in Computer-Aided Drug Discovery (CADD). Watermoleculen fungeren vaak als intermediairen in de eiwit-ligandbinding, wat de structurele stabiliteit en bindingsaffiniteit aanzienlijk beïnvloedt. Het voorspellen van deze "hydratatieplaatsen" is echter uitdagend vanwege de hoge dimensionaliteit van de conformationele ruimte en de complexe waterstofbindingsnetwerken die water vormt. Hoewel klassieke methoden zoals Moleculaire Dynamica (MD) en Monte Carlo-simulaties bestaan, brengen deze aanzienlijke computationele kosten met zich mee, vooral wanneer verhoogde sampling vereist is. Machine learning-benaderingen verbeteren, maar missen momenteel voldoende nauwkeurigheid voor rigoureuze CADD-toepassingen. Dit artikel behandelt de uitdaging van het formuleren en oplossen van het 3D-hydratatieplaats-voorspellingsprobleem met behulp van Noisy Intermediate-Scale Quantum (NISQ)-hardware om praktische bruikbaarheid in drug discovery-pipelines aan te tonen.

Methodologie
De auteurs stellen een hybride quantum-klassieke workflow voor die het continue probleem van waterplaatsing mapt naar een discreet optimalisatieprobleem dat oplosbaar is op quantumhardware. De methodologie verloopt via de volgende stappen:

3D-RISM Dichtheidsberekening: Het proces begint met het berekenen van de continue waterdichtheidsfunctie $g(r)$ van het 3D Reference Interaction Site Model (3D-RISM) rond het doeleiwit (of het eiwit-ligandcomplex) met behulp van de AmberTools-package. Deze dichtheid vertegenwoordigt de waarschijnlijkheidsverdeling van oplosmiddelmoleculen.
Discretisering en Dimensionaliteitsreductie: Om het probleem hanteerbaar te maken voor de huidige quantumhardware, wordt de continue $g(r)$ opnieuw gesampled op een grover rooster. Gebieden met een lage dichtheid worden gefilterd met behulp van een drempelwaarde $\tau_g$ . Dit reduceert het probleem van $\sim10^6$ roosterpunten naar een beheersbaar aantal binaire variabelen (qubits).
QUBO-formulering: De hydratatieplaats-voorspelling wordt geformuleerd als een Gaussian Mixture Model (GMM) optimalisatieprobleem, dat vervolgens wordt gemapt naar een Quadratic Unconstrained Binary Optimization (QUBO) probleem.
- Binaire variabelen $x_i \in \{0, 1\}$ vertegenwoordigen de aanwezigheid (1) of afwezigheid (0) van een watermolecuul op een specifieke roosterlocatie $i$ .
- De doelfunctie minimaliseert het $L_2$ -norm verschil tussen de doel-3D-RISM dichtheid en de som van geselecteerde Gaussische distributies.
- De QUBO-matrix codeert lineaire biases (solvatatievrije energie van individuele locaties) en kwadratische termen (paar interacties), inclus\nuit straffen voor het plaatsen van watermoleculen te dicht bij elkaar.
Quantumoptimalisatie: De resulterende QUBO-instanties worden opgelost met de Q-CTRL Fire Opal optimalisatie-solver op IBM quantum devices (specifiek Heron r2 en r3 processors, tot 156 qubits). De solver maakt gebruik van een verbeterde variational ansatz, efficiënte circuit compilatie en geautomatiseerde foutonderdrukking om ruis te mitigeren.
Post-processing: De optimale bitstrings die door de quantumsolver worden gegenereerd, worden gedecodeerd naar 3D ruimtelijke coördinaten, die de voorspelde water (PW) posities vertegenwoordigen.

Belangrijkste Bijdragen en Resultaten

Experimentele Demonstratie: De studie heeft succesvol hydratatieplaats-voorspellingen uitgevoerd op echte quantumhardware voor tot 123 qubits (123 binaire variabelen). De testset bevatte zes eiwit-ligandcomplexen (holo structuren) en één apo structuur die relevant zijn voor FDA-goedgekeurde medicijnen.
Solver Prestaties: Op de geteste instanties (tot 116 variabelen) vertoonde de Q-CTRL quantumsolver een succeswaarschijnlijkheid van ongeveer 9% bij het vinden van de optimale oplossing (geverifieerd tegen klassieke CPLEX solvers), wat aanzienlijk beter was dan Simulated Annealing (SA), dat de optimale oplossing met slechts ~2% kans vond, en een greedy lokale solver, die faalde om het optimum te vinden.
Schaalbaarheid en Nauwkeurigheidsanalyse:
- De auteurs analyseerden de impact van roosterresolutie ( $\delta$ ) en dichtheidsdrempels ( $\tau_g$ ) op de voorspellingsnauwkeurigheid.
- Door de omvang van het probleem op te schalen naar 900 variabelen met behulp van klassieke heuristieken (SA) als proxy voor de potentie van de quantumsolver, observeerden zij dat nauwkeurigheidsmetingen (fractie van kristalwater geïdentificeerd, $C$ ; precisie, $P$ ) verbeteren naarmate de probleemomvang toeneemt.
- Voor een instantie van 900 variabelen voorspelde de methode tot wel ~60% van de kristalwaterposities, met precisiemetrieken die vergelijkbaar met of beter zijn dan bestaande snelle klassieke methoden zoals Hydraprot, Placevent, Watgen en Dowser++.
Resource Schatting: Het artikel biedt een resource schatting voor het bereiken van "quantum utility" (het overtreffen van exacte klassieke solvers) en "quantum advantage" (het overtreffen van heuristieken).
- Exacte klassieke solvers worstelen met instanties boven de ~123 variabelen (nemen >3 uur zonder convergentie).
- Een 900-variabele instantie, die naar schatting ~100.000 two-qubit gates vereist, is geïdentificeerd als een drempel waarbij de methode competitief wordt met alternatieve benaderingen.
- Op basis van de IBM hardware roadmap projecteren de auteurs dat de benodigde qubit-aantallen en foutgecorrigeerde gate-fidelities om deze schalen aan te pakken, bereikbaar kunnen zijn tegen 2027–2029.

Betekenis en Claims
Het artikel beweert de praktische bruikbaarheid van NISQ-hardware aan te tonen voor een recurrente, hoogwaardige taak in drug discovery: het voorspellen van de hydratatie van eiwitzakjes. De auteurs stellen dat hun hybride benadering erin slaagt experimentele voorspellingen te reproduceren op echte eiwit-ligandcomplexen met een precisie die overeenkomt met klassieke benaderingen.

De betekenis van het werk ligt in:

Proof of Concept: Het valideert de mapping van complexe 3D biologische problemen naar QUBO-formuleringen die oplosbaar zijn op huidige digitale quantumhardware.
Schaalbaar Pad: De resource schatting analyse geeft aan dat volledige quantum utility binnen bereik is naarmate apparaten schalen, wat suggereert dat quantumoptimalisatie de nauwkeurigheid systematisch kan verbeteren met toenemende qubit-aantallen.
Pipeline Integratie: De methode is gepositioneerd als een tool om de setup van docking-berekeningen en de optimalisatie van drug leads te ondersteunen door accurate hydratatieplaats-data te leveren, wat potentieel de computationele kosten van het voorbereiden van eiwit-ligandcomplexen voor verdere simulaties vermindert.

De auteurs hanteren een bescheiden standpunt en erkennen dat, hoewel de huidige hardware de omvang van het probleem beperkt tot ~100 variabelen, de methodologie ontworpen is om te schalen. Zij merken op dat het bereiken van een definitief quantum advantage over de state-of-the-art klassieke heuristieken verdere verbeteringen in hardware vereist (specifiek in gate-fidelity en foutcorrectie) die in de nabije toekomst worden verwacht.

Meer zoals dit