Logarithmic-scale variational quantum eigensolver for off-lattice protein structure prediction in continuous torsional angle space
Este artigo apresenta um algoritmo de eigensolver quântico variacional em escala logarítmica que possibilita a primeira predição de estrutura de proteína de todos os átomos, fora da rede, em espaço torsional contínuo ao reduzir os requisitos de qubits de linear para logarítmico, demonstrando com sucesso a recuperação de estrutura nativa para pequenas proteínas tanto em simuladores quanto em hardware quântico real.
Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
As proteínas são as máquinas moleculares que mantêm a vida em funcionamento, dobrando-se em formas tridimensionais intrincadas para realizar suas tarefas. Prever exatamente como uma sequência de aminoácidos irá se contorcer e girar até sua forma final e funcional tem sido um dos enigmas mais persistentes da biologia. Durante décadas, os cientistas confiaram em computadores clássicos poderosos para simular essas formas, mas o número colossal de maneiras possíveis pelas quais uma proteína pode se contorcer é tão vasto que mesmo os supercomputadores mais rápidos têm dificuldade em encontrar a resposta correta sem se perderem. Recentamente, uma nova ferramenta entrou no campo: o computador quântico. Diferente das máquinas tradicionais que processam informações em bits binários, os computadores quânticos usam bits quânticos, ou qubits, que podem existir em múltiplos estados simultaneamente, oferecendo um potencial atalho através do labirinto de possibilidades. No entanto, as primeiras tentativas de usar essas máquinas para o dobramento de proteínas limitaram-se a modelos simplificados e em blocos, que perdiam os detalhes finos da biologia real.
Uma equipe de pesquisadores da Cleveland Clinic deu agora um passo significativo ao demonstrar um método que utiliza computadores quânticos para prever estruturas de proteínas em um espaço contínuo de todos os átomos, um nível de detalhe anteriormente considerado impossível para o hardware quântico de curto prazo. O trabalho deles, publicado como um artigo de pesquisa, introduz um novo algoritmo chamado Quantum Torsion Folder. Em vez de forçar as proteínas em uma grade rígida, este método trata a proteína como uma cadeia flexível de ângulos, codificando os ângulos de torção da espinha dorsal e das cadeias laterais diretamente nas fases de um estado quântico. Ao utilizar uma estratégia de escalonamento logarítmico, a equipe mostrou que poderia representar a geometria complexa de uma proteína usando exponencialmente menos qubits do que os métodos tradicionais exigem. Em simulações, essa abordagem gerou com sucesso modelos de duas pequenas proteínas, chignolin e Trp-cage, que se assemelham de perto às suas formas determinadas experimentalmente. Quando os pesquisadores testaram o método em hardware quântico real, eles recuperaram estruturas semelhantes às nativas, provando que o sinal quântico pode sobreviver ao ruído dos dispositivos do mundo real, embora os resultados tenham variado dependendo do dispositivo específico utilizado.
O desafio central no dobramento de proteínas é navegar em um cenário de possibilidades que cresce exponencialmente com o tamanho da proteína. Imagine tentar encontrar uma disposição específica de uma corda longa e flexível entre bilhões de outras maneiras pelas quais ela poderia estar emaranhada. Computadores clássicos frequentemente ficam presos em vales locais, encontrando uma forma que é estável, mas não a correta. Os pesquisadores abordaram isso mudando o foco das coordenadas espaciais para os ângulos nos quais a cadeia proteica se dobra. Em seu novo arcabouço, um circuito quântico atua como um gerador, criando uma onda complexa de probabilidades que codifica esses ângulos de dobra. Um computador clássico então atua como um avaliador, pegando esses ângulos e construindo um modelo 3D completo da proteína para verificar sua estabilidade física, pontuando-o com base em quão bem os átomos se encaixam e quanta energia a estrutura requer. Isso cria um ciclo onde o computador quântico sugere uma forma, o computador clássico a avalia e o computador quântico ajusta seus parâmetros para tentar novamente, refinando gradualmente a estrutura em direção a um dobramento estável.
Para fazer isso funcionar em máquinas quânticas atuais, a equipe teve que resolver um problema complicado: computadores quânticos não conseguem ler diretamente as fases complexas que contêm a informação de ângulo. Em um simulador perfeito, essas fases são visíveis, mas em hardware real, apenas as probabilidades de medir certos estados podem ser observadas. Os pesquisadores desenvolveram um contorno inteligente para isso. Eles mapearam as probabilidades observadas em uma distribuição cumulativa, traduzindo efetivamente a saída ruidosa e mensurável do chip quântico nos ângulos contínuos necessários para construir o modelo da proteína. Isso permitiu que executassem o mesmo algoritmo tanto em simuladores de alta fidelidade quanto em processadores quânticos reais, unindo a lacuna entre o design teórico e a execução prática.
A equipe testou seu método em duas proteínas em miniatura bem conhecidas: a chignolin, um peptídeo pequeno de dez resíduos que se dobra em uma forma de grampo apertada, e a Trp-cage, uma proteína de vinte resíduos ligeiramente maior com uma mistura mais complexa de hélices e alças. Eles executaram milhares de simulações independentes para cada proteína, utilizando três sistemas de pontuação de energia diferentes para avaliar os resultados: uma função personalizada construída especificamente para esta tarefa, o amplamente utilizado software Rosetta e o motor de física OpenMM. Nas simulações, o método provou ser notavelmente eficaz na amostragem das formas corretas. Para a chignolin, os melhores modelos atingiram um alto grau de precisão, com alguns instantâneos diferindo da estrutura experimental verdadeira por menos de um angstrom, uma distância menor que a largura de um único átomo. Mesmo para a mais difícil Trp-cage, o método encontrou estruturas muito mais próximas da forma nativa do que os modelos finais selecionados, sugerindo que o computador quântico estava explorando com sucesso as regiões corretas do cenário de dobramento.
Um insight fundamental do estudo foi que o modelo final produzido pelo processo de otimização nem sempre era o mais preciso. Os pesquisadores descobriram que, ao manter um registro de milhares de instantâneos de baixa energia capturados durante a jornada de dobramento, eles frequentemente conseguiam encontrar uma estrutura que era significativamente melhor do que aquela em que o algoritmo se estabilizava ao final. Isso sugere que o computador quântico é excelente em explorar o vasto espaço de possibilidades e encontrar candidatos promissores, mas o desafio reside em selecionar o candidato único e melhor a partir desse grupo. A função de energia personalizada teve o melhor desempenho ao guiar o sistema em direção a formas compactas e semelhantes às nativas, enquanto os outros sistemas de pontuação às vezes favoreciam estruturas que eram fisicamente estáveis, mas geometricamente distantes do dobramento real.
Para verificar se essa abordagem funciona em hardware real, a equipe executou seus melhores parâmetros de simulação em dois processadores quânticos diferentes da IBM: o ibm_cleveland e o ibm_miami. Eles executaram o mesmo circuito 300 vezes em cada máquina para levar em conta a aleatoriedade inerente e o ruído das medições quânticas. Os resultados foram encorajadores: no ibm_cleveland, o método recuperou estruturas semelhantes às nativas em 88 de 300 tentativas, com o melhor modelo alcançando uma precisão de 1,758 angstroms. No ibm_miomi, a taxa de recuperação foi menor, com 45 estruturas bem-sucedidas em 300, e o melhor modelo atingindo 1,782 angstroms. A diferença de desempenho destacou que, embora o algoritmo seja robusto, a arquitetura específica do hardware, a calibração e as características de ruído do processador quântico desempenham um papel importante no resultado final. Os pesquisadores observaram que as tarefas no ibm_miami demoraram significativamente mais para serem executadas, apesar de possuírem menos portas lógicas, indicando que fatores além do tamanho simples do circuito, como o agendamento de pulsos e os atrasos de medição, afetam a eficiência.
O estudo conclui que a previsão de estrutura de proteínas de alta resolução é viável em hardware quântico de curto prazo, desde que o problema seja formulado de uma maneira que respeite as limitações da máquina. Ao converter o problema de uma busca por coordenadas espaciais para uma busca por ângulos torcionais codificados em fases quânticas, a equipe reduziu o requisito de qubits para um nível gerenciável, permitindo a modelagem de todos os átomos em espaço contínuo. Embora o método ainda enfrente desafios, particularmente na precisão da pontuação de energia e no overhead de leitura de resultados de hardware ruidoso, ele estabelece uma fundação escalável para o futuro. O trabalho demonstra que os computadores quânticos podem ir além de modelos grosseiros e simplificados para enfrentar a geometria realista e contínua de moléculas biológicas, oferecendo um novo caminho para a compreensão dos mecanismos fundamentais da vida.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.