Logarithmic-scale variational quantum eigensolver for off-lattice protein structure prediction in continuous torsional angle space
Dit artikel introduceert een variational quantum eigensolver op logaritmische schaal die de eerste all-atom, off-lattice eiwitstructuurvoorspelling in continue torsieruimte mogelijk maakt door de qubit-vereisten van lineair naar logaritmisch te verminderen, waarbij succesvol de herwinning van natieve structuren voor kleine eiwitten op zowel simulators als echte kwantumhardware is aangetoond.
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
Eiwitten zijn de moleculaire machines die het leven draaiende houden, waarbij ze zichzelf vouwen in complexe driedimensionale vormen om hun taken uit te voeren. Het precies voorspellen hoe een reeks aminozuren zich zal draaien en buigen tot zijn uiteindelijke, functionele vorm, is een van de meest hardnekkige puzzels in de biologie geweest. Decennialang hebben wetenschappers vertrouwd op krachtige klassieke computers om deze vormen te simuleren, maar het enorme aantal mogelijke manieren waarop een eiwit kan vervormen is zo groot dat zelfs de snelste supercomputers moeite hebben om het juiste antwoord te vinden zonder verdwaald te raken. Onlangs is er een nieuw instrument het veld binnengekomen: de quantumcomputer. In tegen tegenstelling tot traditionele machines die informatie verwerken in binaire bits, gebruiken quantumcomputers quantum bits, of qubits, die zich in meerdere toestanden tegelijk kunnen bevinden, wat een potentiële afkorting biedt door het doolhof van mogelijkheden. Echter, de vroege pogingen om deze machines voor eiwitvouwing te gebruiken, waren beperkt tot vereenvoudigde, blokkerige modellen die de fijne details van de echte biologie misten.
Een team onderzoekers van de Cleveland Clinic heeft nu een belangrijke stap voorwaarts gezet door een methode te demonstreren die quantumcomputers gebruikt om eiwitstructuren te voorspellen in een continue, all-atom ruimte, een detailniveau dat voorheen als onmogelijk werd beschouwd voor nabije quantumhardware. Hun werk, gepubliceerd als een wetenschappelijk artikel, introduceert een nieuw algoritme genaamd de Quantum Torsion Folder. In plaats van eiwitten op een rigide rooster te dwingen, behandelt deze methode het eiwit als een flexibele keten van hoeken, waarbij de draaihoeken van de ruggengraat en de zijketens direct worden gecodeerd in de fasen van een quantumtoestand. Door een logaritmische schaleringsstrategie te gebruiken, lieten het team zien dat ze de complexe geometrie van een eiwit konden weergeven met exponentieel minder qubits dan traditionele methoden vereisen. In simulaties genereerde deze aanpak succesvol modellen van twee kleine eiwitten, chignolin en Trp-cage, die nauw overeenkwamen met hun experimenteel bepaalde vormen. Toen de onderzoekers de methode testten op daadwerkelijke quantumhardware, herstelden ze natuurlijke structuren, wat bewees dat het quantumsignaal kon overleven in de ruis van real-world apparaten, hoewel de resultaten varieerden afhankelijk van de specifieke machine die werd gebruikt.
De kernuitdaging in eiwitvouwing is het navigeren door een landschap van mogelijkheden dat exponentieel groeit met de grootte van het eiwit. Stel je voor dat je probeert één specifieke rangschikking van een lange, flexibele touw te vinden tussen miljarden andere manieren waarop het geknoopt zou kunnen zijn. Klassieke computers blijven vaak steken in lokale dalen, waarbij ze een vorm vinden die stabiel is maar niet de juiste. De onderzoekers pakten dit aan door de focus te verleggen van ruimtelijke coördinaten naar de hoeken waaronder de eiwitketen buigt. In hun nieuwe raamwerk fungeert een quantumcircuit als een generator, die een complexe golf van waarschijnlijkheden creëert die deze buighoeken codeert. Een klassieke computer fungeert vervolgens als een evaluator, die deze hoeken neemt en een volledig 3D-model van het eiwit bouwt om de fysieke stabiliteit te controleren, en het scoort op basis van hoe goed de atomen samenkomen en hoeveel energie de structuur vereist. Dit creëert een lus waarbij de quantumcomputer een vorm suggereert, de klassieke computer deze beoordeelt, en de quantumcomputer zijn parameters aanpast om het opnieuw te proberen, waardoor de structuur geleidelijk wordt verfijnd naar een stabiele vouw.
Om dit werkend te krijgen op huidige quantummachines, moest het team een lastig probleem oplossen: quantumcomputers kunnen de complexe fasen die de hoekinformatie bevatten niet direct lezen. Op een perfecte simulator zijn deze fasen zichtbaar, maar op echte hardware kunnen alleen de waarschijnlijkheden van het meten van bepaalde toestanden worden waargenomen. De onderzoekers ontwikkelden een slimme workaround hiervoor. Ze brachten de geobserveerde waarschijnlijkheden in kaart naar een cumulatieve distributie, waardoor de ruizige, meetbare output van de quantumchip effectief werd vertaald naar de continue hoeken die nodig zijn om het eiwitmodel te bouwen. Dit stelde hen in staat om hetzelfde algoritme op zowel hoogwaardige simulators als echte quantumprocessors te draaien, waardoor de kloof tussen theoretisch ontwerp en praktische uitvoering werd overbrugd.
Het team testte hun methode op twee bekende miniature eiwitten: chignolin, een klein tien-residue peptide dat vouwt in een strakke haarspilvorm, en Trp-cage, een iets groter twintig-residue eiwit met een complexere mix van helices en lussen. Ze voerden duizenden onafhankelijke simulaties uit voor elk eiwit, waarbij ze drie verschillende energie-score-systemen gebruikten om de resultaten te evalueren: een op maat gemaakte functie die specifiek voor deze taak is ontworpen, de veelgebruikte Rosetta-software, en de OpenMM physics engine. In de simulaties bleek de methode opmerkelijk effectief bij het bemonsteren van de juiste vormen. Voor chignolin bereikten de beste modellen een hoge mate van nauwkeurigheid, waarbij sommige snapshots minder dan één angstrom verschilden van de werkelijke experimentele structuur, een afstand kleiner dan de breedte van een enkel atoom. Zelfs voor het moeilijkere Trp-cage vond de methode structuren die veel dichter bij de natuurlijke vorm lagen dan de uiteindelijk geselecteerde modellen, wat suggereert dat de quantumcomputer succesvol de juiste regio's van het vouwingslandschap verkende.
Een belangrijk inzicht uit de studie was dat het uiteindelijke model dat door het optimalisatieproces werd geproduceerd, niet altijd de meest accurate was. De onderzoekers ontdekten dat door een record bij te houden van duizenden lage-energie snapshots genomen tijdens de vouwingsreis, ze vaak een structuur konden vinden die aanzienlijk beter was dan de structuur waar het algoritme aan het einde op uitkwam. Dit suggereert dat de quantumcomputer uitstekend is in het verkennen van de enorme ruimte van mogelijkheden en het vinden van veelbelovende kandidaten, maar dat de uitdaging ligt in het selecteren van de beste kandidaat uit die pool. De op maat gemaakte energiefunctie presteerde het best bij het leiden van het systeem naar compacte, natuurlijke vormen, terwijl de andere score-systemen soms structuren bevoordeelden die fysiek stabiel waren maar geometrisch verder verwijderd van de ware vouw.
Om te verifiëren dat deze aanpak werkt op echte hardware, voerde het team hun beste simulatieparameters uit op twee verschillende quantumprocessors van IBM: de ibm_cleveland en de ibm_miami. Ze draaiden hetzelfde circuit 300 keer op elke machine om rekening te houden met de inherente willekeur en ruis van quantummetingen. De resultaten waren bemoedigend: op ibm_cleveland herstelde de methode natuurlijke structuren in 88 van de 300 pogingen, waarbij het beste model een nauwkeurigheid bereikte van 1,758 angstroms. Op ibm_miami was het herstelpercentage lager, met 45 succesvolle structuren uit 300, waarbij het beste model 1,782 angstroms bereikte. Het verschil in prestaties benadrukte dat hoewel het algoritme robuust is, de specifieke hardwarearchitectuur, kalibratie en ruiskenmerken van de quantumprocessor een grote rol spelen in de uiteindelijke uitkomst. De onderzoekers merkten op dat de ibm_miami jobs aanzienlijk langer duurden om uit te voeren ondanks dat ze minder gates hadden, wat aangeeft dat factoren buiten de eenvoudige circuitgrootte, zoals pulse scheduling en meetvertragingen, de efficiëntie beïnvloeden.
De studie concludeert dat hoogwaardige voorspelling van eiwitstructuren haalbaar is op nabije quantumhardware, mits het probleem wordt geformuleerd op een manier die rekening houdt met de beperkingen van de machine. Door het probleem te converteren van een zoektocht naar ruimtelijke coördinaten naar een zoektocht naar torsiehoeken gecodeerd in quantumfasen, heeft het team de vereiste hoeveelheid qubits teruggebracht tot een beheersbaar niveau, waardoor all-atom, continue-ruimte modellering mogelijk werd. Hoewel de methode nog steeds uitdagingen kent, met name wat betreft de nauwkeurigheid van de energie-scoring en de overhead van het uitlezen van resultaten van ruisige hardware, legt het een schaalbare fundering voor de toekomst. Het werk demonstreert dat quantumcomputers verder kunnen gaan dan grove, vereenvoudigde modellen om de realistische, continue geometrie van biologische moleculen aan te pakken, wat een nieuwe weg biedt voor het begrijpen van de fundamentele mechanismen van het leven.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.