⚛️ quantum physics

Quantum Approximate Optimisation Algorithm for Protein Sidechain Packing

Dit artikel presenteert een hybride quantum-klassieke pipeline die gebruikmaakt van het Quantum Approximate Optimisation Algorithm (QAOA) met een constraint-preserverende ansatz om het NP-harde eiwitzijketens-verpakkingsprobleem op AlphaFold2-backbones efficiënt op te lossen, waarbij verbeterde conformationele energie en schaalbare prestaties worden aangetoond in vergelijking met klassieke exhaustieve zoekmethoden.

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

Gepubliceerd 2026-09-28

📖 4 min leestijd🧠 Diepgaand

CC BY 4.0

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

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 werkpaarden van het leven, kleine moleculaire machines die de chemische processen aansturen die ons in leven houden. Om te kunnen functioneren, moet een eiwit vouwen tot een specifieke, stabiele driedimensionale vorm, vergelijkbaar met een lange, flexibele keten die zich in een precieze knoop draait. Wetenschappers zijn erg goed geworden in het voorspellen van de hoofdbackbone van deze keten, de centrale ruggengraat die de structuur bij elkaar houdt. De laatste, cruciale stap omvat echter het ordenen van de kleinere chemische takken, bekend als zijketens, die uit deze backbone ontspruiten. Deze takken bepalen hoe het eiwit interageert met andere moleculen, zoals medicijnen die eraan proberen te binden. Als deze zijketens zelfs maar enigszins onjuist zijn geplaatst, kan de functie van het eiwit falen, of kan een medicijn zijn doel volledig missen. Hoewel moderne computerprogramma's de hoofdstructuur met hoge betrouwbaarheid kunnen voorspellen, hebben ze vaak moeite om deze zijtakken met dezelfde nauwkeurigheid te positioneren, wat een gat laat in ons vermogen om effectieve medicijnen te ontwerpen.

Onderzoekers aan de Newcastle University hebben een nieuwe methode ontwikkeld om deze kloof te overbruggen, met behulp van een hybride aanpak die klassieke computers combineert met quantumcomputingtechnieken. Hun doel was om een eiwitstructuur die is voorspeld door een krachtige tool genaamd AlphaFold te nemen en de posities van de zijketens te verfijnen om de meest stabiele, laag-energetische ordening te vinden. In de wereld van eiwitvouwing is het vinden van deze perfecte ordening een berucht moeilijk puzzelstuk. Het aantal mogelijke manieren om de zijtakken te ordenen groeit zo snel dat het controleren van elke afzonderlijke mogelijkheid onmogelijk wordt voor zelfs de snelste supercomputers zodra het eiwit groot genoeg wordt. Dit staat bekend als een NP-hard probleem, een classificatie voor taken waarbij de moeilijkheid explodeert naarmate de omvang van het probleem toeneemt.

Om dit aan te pakken, bouwde het team een pijplijn die eerst standaardsoftware gebruikt om de eiwitdata voor te bereiden, waarbij een beheersbare set mogelijke vormen voor elke zijketen wordt geselecteerd. Vervolgens overhandigden ze dit verfijnde probleem aan een quantumalgoritme dat bekend staat als het Quantum Approximate Optimisation Algorithm, of QAOA. Dit algoritme is ontworpen om door enorme mogelijkheden te zoeken om de beste oplossing te vinden. Een grote hindernis bij het gebruik van quantumcomputers voor deze taak is dat ze van nature alle combinaties verkennen, inclusief veel die fysiek onmogelijk zijn, zoals een enkele zijketen die op twee plaatsen tegelijk is. De onderzoekers losten dit op door een speciaal startpunt en een specifieke set regels te ontwerpen voor hoe het quantummechanisme evolueert. Ze begonnen met een toestand waarin elke mogelijke positie even waarschijnlijk was, en gebruikten vervolgens een circulair mengproces dat deze mogelijkheden door elkaar gehusseld zonder ooit toe te staan dat het systeem de sfeer van geldige, enkelvoudige posities verliet. Deze slimme opzet elimineerde de noodzaak voor complexe straftermen die de berekening gewoonlijk vertragen, waardoor het systeem zich volledig kon concentreren op het vinden van de laagste energietoestand.

Het team testte hun methode op een specifiek eiwit genaamd bovine pancreatic trypsin inhibitor, waarbij zowel regio's met een hoge betrouwbaarheid als een matige betrouwbaarheid van de AlphaFold-voorspelling werden gebruikt. In de gebieden waar de oorspronkelijke voorspelling al zeer sterk was, kwam de quantummethode grotendeels overeen met het bestaande resultaat, waarbij zij incidenteel iets betere ordeningen vond. Echter, in regio's waar de oorselijke voorspelling minder zeker was, toonde de nieuwe methode veelbelovende resultaten. In deze gebieden met matige betrouwbaarheid vond de quantumbenadering ordeningen die aanzienlijk stabieler waren, met energieverbeteringen die gemiddeld meer dan acht kilocalorieën per molecul weer waren en pieken bereikten van meer dan zestien kilocalorieën per mole. Deze resultaten suggereren dat de methode bijzonder effectief is bij het corrigeren van fouten in gebieden waar de initiële voorspelling zwakker was.

Cruciaal is dat de onderzoekers niet alleen deze verbeteringen claimden; ze ontwikkelden ook een manier om te meten hoeveel pogingen, of "shots", een quantumcomputer nodig zou hebben om betrouwbaar het beste antwoord te vinden naarmate de omvang van het probleem groeide. Ze vonden dat hoewel het aantal vereiste pogingen toeneemt, dit groeit met een snelheid die beheersbaar blijft voor high-performance computing, ruim onder de exponentiële explosie die wordt gezien bij klassieke methoden voor bepaalde typen eiwitten. De studie bevestigt dat deze hybride pijplijn erin slaagt om zijketens opnieuw te verpakken om de energie van een eiwitstructuur te verlagen, wat een potentieel instrument biedt om de nauwkeurigheid van medicijnontwikkeling te verbeteren. Het werk blijft een simulatie, draaiend op krachtige grafische processoren in plaats van op fysieke quantumhardware, maar het demonstreert dat het wiskundige kader solide is en klaar voor toekomstig testen op echte quantumapparatuur. Door het optimalisatieproces los te koppelen van de kwaliteit van de initiële voorspelling, biedt de methode een betrouwbare manier om naar de best mogelijke structuur te zoeken binnen een gegeven reeks opties, ongeacht hoe goed het startpunt ook was.

Technische Samenvatting: Quantum Approximate Optimisation Algorithm voor Protein Sidechain Packing

Probleemstelling
Protein sidechain packing (het pakken van zijketens van eiwitten) is een kritiek subprobleem binnen de eiwitvouwing, waarbij de driedimensionale arrangement van aminozuur-zijketens (rotameren) ten opzichte van een vast backbone bepaalt. Dit proces is essentieel voor structurele medicijnontwikkeling, aangezien bindingsplaatsen worden gedefinieerd door deze zijketensconfiguraties. Hoewel tools zoals AlphaFold2 betrouwbaar de eiwit-backbones kunnen voorspellen, kunnen hun zijketensposities tot 20% afwijken van experimentele data. Het terugvinden van de rotamer-toewijzing met de laagste energie voor een vaste backbone is een NP-hard combinatorisch optimalisatieprobleem. Klassieke heuristieken, zoals de stochastische Monte Carlo-zoekopdracht van Rosetta, garanderen geen globale optimaliteit. Dit artikel stelt een hybride quantum-klassieke pijplijn voor om dit aan te pakken door de minimalisatie van de energie van de zijketens te herformuleren als een Quadratic Unconstrained Binary Optimization (QUBO) probleem dat oplosbaar is via de Quantum Approximate Optimisation Algorithm (QAOA).

Methodologie
De voorgestelde pijplijn werkt in drie stadia: preprocessing, QAOA-optimalisatie en post-processing.

Preprocessing en Fixed-Backbone Reductie:
Met behulp van PyRosetta analyseert de pijplijn een eiwit-subsectie (bijv. Bovine Pancreatic Trypsin Inhibitor, 5PTI) om de backbone-coördinaten te fixeren die zijn afgeleid van AlphaFold2. Het genereert een discrete bibliotheek van geldige rotameren op basis van Dunbrack-bibliotheken. Om de computationele complexiteit te beheersen, wordt de rotamer-set gesnoeid via round-robin selectie op basis van one-body energieën, waarbij het aantal kandidaten ( $R$ ) per residu wordt beperkt. Dit reduceert de taak tot het selecteren van precies één rotame per residu uit de gesnoeide set om de totale conformationele energie te minimaliseren.
QUBO Formulering:
De pairwise energie-functie (bestaande uit one-body en two-body interactietermen) wordt gecodeerd in een kosten-Hamiltoniaan ( $H_C$ ) met behulp van Pauli-Z operatoren. Er wordt een one-hot encoding schema toegepast, waarbij één qubit wordt toegewezen per geldige rotame. Dit resulteert in een lineaire groei van het aantal qubits ( $MN$ voor $M$ residuen en $N$ gemiddelde rotameren), maar een kwadratische schaling van de kosten-Hamiltoniaan termen in het slechtste geval, hoewel praktische sparsiteit dit reduceert naar $O(MN \cdot d)$ .
Constraint-Preserving Ansatz:
Om de "one-hot" restrictie (exact één rotame selecteren per residu) af te dwingen zonder te vertrouwen op penalty-termen in de kostenfunctie, introduceren de auteurs een specifieke ansatz:

Initiële Toestand: Het systeem wordt geïnitialiseerd in een W-toestand, een gelijke superpositie van alle single-excitation basis toestanden voor elk residu sub-register. Dit zorgt ervoor dat het systeem start binnen de geldige Hamming-gewicht-1 subspace.
Mixer Hamiltonian: In plaats van een volledig verbonden graaf-mixer (die schaalt als $O(MN^2)$ in twee-qubit gates), wordt een cyclische XY-ring mixer gebruikt. Dit beperkt interacties tot aangrenzende rotameren in een gesloten lus. Deze topologie behoudt het Hamming-gewicht (waardoor de geldigheid behouden blijft tijdens de evolutie) en reduceert de twee-qubit gate schaling naar $O(MN)$ .
Optimalisatiestrategie: Een warm-starting benadering wordt gebruikt, waarbij parameters voor diepere circuits ( $p$ ) worden geïnitialiseerd met de geoptimaliseerde parameters van vlakkere circuits, waarbij nieuwe lagen worden toegevoegd met zero-padding en verstoord met Gaussische ruis om saddle points te vermijden.

Evaluatiemetrieken:

$\Delta E$ : Het energieverschil tussen de QAOA-resultaten en de AlphaFold-baseline ( $E_{QAOA} - E_{AF}$ ). Resultaten worden geclassificeerd als Wins ( $\Delta E < -1.5$ kcal/mol), Ties ( $|\Delta E| \le 1.5$ kcal/mol), of Losses ( $\Delta E > 1.5$ kcal/mol).
$S(N)$ (Asymptotische Shot-Scaling Metriek): Een metriek die is gedefinieerd om het aantal shots te schatten dat nodig is om de Global Minimum-Energy Conformation (GMEC) te herstellen met 99,99% waarschijnlijkheid. Dit wordt berekend tegenover een experimenteel opgeloste grondwaarheid (uitputtend gezocht voor kleine subsystemen) om de kwaliteit van de optimizer te ontkoppelen van de kwaliteit van de AlphaFold-baseline.

Belangrijkste Resultaten
De pijplijn werd geëvalueerd op het 5PTI-eiwit met behulp van klassieke state-vector simulaties op GPU's.

Hoog-betrouwbare Regio's (pLDDT > 90): In regio's waar de backbone en zijketens-voorspellingen van AlphaFold zeer betrouwbaar zijn, vertoonde de QAOA-pijplijn beperkte verbetering ten opzichte van de baseline. Wins vonden plaats in 15,6% van de runs voor 5–14 qubits, geconcentreerd in specifieke residu-vensters (bijv. 60–63). Naarmate het aantal qubits toenam naar 18 en 22, daalde het winpercentage naar nul, waarbij de resultaten overwegend 'ties' werden. De auteurs wijten dit aan de "discretisatie-straf": het dwingen van reeds bijna optimale continue AlphaFold-conformaties in een eindige discrete bibliotheek resulteert vaak in hogere energietoestanden, niet omdat de quantum solver faalde, maar omdat de discrete zoekruimte restrictiever is dan de continue baseline.
Matig-betrouwbare Regio's (pLDDT $\approx$ 80): In regio's waar de zijketens-plaatsing van AlphaFold minder betrouwbaar is, bereikte de pijplijn significante verbeteringen. Over 1.500 runs (5–14 qubits) waren 54% wins, met een gemiddelde verbetering van -8,114 kcal/mol en een piek van -16,265 kcal/mol. De auteurs verduidelijken dat deze winsten de zwakte van de AlphaFold-baseline in deze regio's weerspiegelen, in plaats van een inherente superioriteit van de quantum solver, aangezien $S(N)$ bevestigt dat de optimizer in staat is de beste optie binnen de kandidaat-set te vinden, ongeacht de baseline.
Shot Scaling ( $S(N)$ ): De gefitte groei van het vereiste aantal shots ( $e^{0.31N}$ ) bleef onder de klassieke exhaustieve zoekrate voor matige rotame-flexibiliteit. De metriek toonde aan dat de vereiste sampling-overhead gevoelig is voor de specifieke lokale energie-landschappen en residu-selectie, en niet alleen voor het totale aantal qubits.

Betekenis en Claims
Het artikel claimt een levensvatbare hybride quantum-klassieke pijplijn te presenteren die het NP-harde sidechain packing probleem succesvol aanpakt. De belangrijkste bijdragen zijn:

Constraint-Preserving Ansatz: Een nieuwe combinatie van W-toestand initialisatie en een cyclische XY-ring mixer die de one-hot geldigheid structureel afdwingt, waardoor penalty-termen overbodig worden en de twee-qubit gate schaling wordt gereduceerd van $O(MN^2)$ naar $O(MN)$ .
Baseline-Onafhankelijke Evaluatie: De introductie van de $S(N)$ metriek maakt een beoordeling van de QAOA-prestaties mogelijk ten opzichte van de theoretische optimum (GMEC), onafhankelijk van de kwaliteit van de startende AlphaFold-structuur. Dit onderscheidt solver-falen van de inherente beperkingen van het discretiseren van een continu probleem.
Proof of Concept: Het werk demonstreert dat quantumoptimalisatie de conformationele energie kan verlagen ten opzichte van AlphaFold-baselines, met name in regio's waar de klassieke baseline zwakker is.

De auteurs blijven bescheiden over de bredere implicaties en merken op dat de geobserveerde energieverbeteringen in de matig-betrouwbare regio's mogelijk artefacten zijn van de zwakke baseline, in plaats van een demonstratie van quantumvoordeel bij het oplossen van het probleem zelf. Zij benadrukken dat downstream validatie tegen bindingsaffiniteit en structurele stabiliteit vereist is om de bruikbaarheid van de methode voor medicijnontwikkeling vast te stellen. Verder blijven de generaliseerbaarheid van de $S(N)$ budget naar andere eiwitten dan 5PTI en de impact van hardware-ruis op algemene quantum-devices openstaande vragen.

Meer zoals dit