⚛️ quantum physics

Logarithmic-scale variational quantum eigensolver for off-lattice protein structure prediction in continuous torsional angle space

本文介绍了一种对数尺度变分量子特征值求解器，通过将量子比特需求从线性降低到对数级，实现了首次在连续扭转空间内进行全原子、离格点蛋白质结构预测，并成功在模拟器和真实量子硬件上展示了对小蛋白质原生结构的恢复。

原作者： Fabio Cumbo, Bryan Raubenolt, Varun Puram, Natalie Katzenmeyer, Jayadev Joshi, Daniel Blankenberg

发布于 2026-09-03

📖 1 分钟阅读🧠 深度阅读

原作者： Fabio Cumbo, Bryan Raubenolt, Varun Puram, Natalie Katzenmeyer, Jayadev Joshi, Daniel Blankenberg

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

蛋白质是维持生命运转的分子机器，它们通过折叠成复杂的、具有特定三维形状的结构来执行任务。预测一段氨基酸序列将如何扭转和转弯，最终形成其功能性形态，一直是生物学中最棘手的难题之一。几十年来，科学家们一直依赖强大的经典计算机来模拟这些形状，但由于蛋白质可能呈现的构象数量极其庞大，即使是最快的超级计算机也难以在不迷失方向的情况下找到正确答案。最近，一种新的工具进入了这一领域：量子计算机。与处理二进制位的传统机器不同，量子计算机使用量子比特（qubits），量子比特可以同时存在于多种状态中，这为穿越可能性迷宫提供了一条潜在的捷径。然而，早期使用这些机器进行蛋白质折叠的尝试仅限于简化的、块状的模型，忽略了真实生物学的精细细节。

克利夫兰医学中心的一个研究小组现在取得了重大进展，他们展示了一种利用量子计算机在连续的全原子空间中预测蛋白质结构的方法，这种细节水平此前被认为在近期的量子硬件上是不可能实现的。他们的研究成果以研究论文的形式发表，介绍了一种名为“量子扭转折叠器”（Quantum Torsion Folder）的新算法。该方法不再强迫蛋白质落在僵硬的网格上，而是将蛋白质视为一条灵活的角度链，将骨架和侧链的扭转角度直接编码进量子态的相位中。通过使用对数缩放策略，该团队展示了他们可以使用比传统方法所需指数级更少的量子比特，来表示蛋白质复杂的几何结构。在模拟中，这种方法成功生成了两种小蛋白质——chignolin 和 Trp-cage 的模型，这些模型与它们实验测定的形状高度相似。当研究人员在实际量子硬件上测试该方法时，他们恢复了类天然结构，证明了量子信号可以在现实世界的设备噪声中存活下来，尽管结果取决于所使用的具体机器。

蛋白质折叠的核心挑战在于，需要在随蛋白质尺寸呈指数级增长的可能性景观中进行导航。想象一下，试图在一堆数十亿种可能的缠绕方式中，寻找一根长而灵活的绳子所形成的特定排列。经典计算机经常陷入局部极小值，找到一个虽然稳定但并非正确的形状。研究人员通过将重点从空间坐标转向蛋白质链弯曲的角度来解决这个问题。在他们的新框架中，量子电路充当一个生成器，创建一个编码这些弯曲角度的复杂概率波。随后，经典计算机充当评估器，利用这些角度构建蛋白质的完整三维模型，并根据原子间的契合程度以及结构所需的能量来进行评分。这形成了一个循环：量子计算机建议一个形状，经典计算机对其进行评分，然后量子计算机调整其参数并再次尝试，从而逐步精炼结构，直至达到稳定的折叠状态。

为了使这项工作在当前的量子机器上运行，团队必须解决一个棘手的问题：量子计算机无法直接读取包含角度信息的复杂相位。在完美的模拟器上，这些相位是可见的，但在真实的硬件上，只能观察到某些状态的概率。研究人员开发了一个巧妙的变通方法。他们将观察到的概率映射为累积分布，有效地将量子芯片产生的带有噪声的可测量输出，转化为构建蛋白质模型所需的连续角度。这使得他们能够在高保真模拟器和真实的量子处理器上运行相同的算法，弥合了理论设计与实际执行之间的鸿沟。

团队在两种著名的微型蛋白质上测试了他们的方法：chignolin，一种由十个残基组成的小肽，折叠成紧密的发卡形状；以及 Trp-cage，一种由二十个残基组成、具有更复杂螺旋和环结构的稍大蛋白质。他们为每种蛋白质运行了数千次独立的模拟，并使用三种不同的能量评分系统来评估结果：一个专门为此任务设计的定制函数、广泛使用的 Rosetta 软件以及 OpenMM 物理引擎。在模拟中，该方法在采样正确形状方面表现得非常出色。对于 chignolin，最佳模型达到了极高的准确度，某些快照与真实的实验结构之间的差异小于一个埃（angstrom），这个距离比单个原子的宽度还要小。即使对于更复杂的 Trp-cage，该方法找到的结构也比最终选定的模型更接近天然形式，这表明量子计算机正在成功地探索正确的折叠景观区域。

该研究的一个关键见解是，优化过程产生的最终模型并不总是最准确的一个。研究人员发现，通过记录折叠过程中产生的数千个低能快照，他们通常可以找到一个比算法最终停下的结构要好得多的结构。这表明量子计算机非常擅长探索广阔的可能性空间并寻找有潜力的候选者，但挑战在于如何从那个池子中选出唯一的最佳候选者。定制的能量函数在引导系统趋向紧凑、类天然形状方面表现最好，而其他评分系统有时会倾向于那些物理上稳定但几何上远离真实折叠的结构。

为了验证这种方法在真实硬件上的有效性，团队在 IBM 的两个不同量子处理器（ibm_cleveland 和 ibm_miami）上执行了他们最佳的模拟参数。他们在每台机器上都运行了 300 次相同的电路，以解释量子测量中固有的随机性和噪声。结果令人鼓舞：在 ibm_cleveland 上，该方法在 300 次尝试中成功恢复了 88 次类天然结构，最佳模型的准确度达到 1.758 埃。在 ibm_miami 上，成功率较低，300 次中有 45 个成功结构，最佳模型达到 1.782 埃。这种性能差异强调了虽然算法具有鲁棒性，但量子处理器的特定硬件架构、校准和噪声特性对最终结果起着重要作用。研究人员指出，尽管 ibm_miami 的门电路更少，但其运行时间明显更长，这表明除了电路规模之外，诸如脉冲调度和测量延迟等因素也会影响效率。

研究结论认为，只要问题能够以尊重机器局限性的方式进行构建，高分辨率蛋白质结构预测在近期的量子硬件上是可行的。通过将问题从空间坐标搜索转换为在量子相位中编码的扭转角搜索，团队将量子比特的需求降低到了可控水平，从而实现了全原子、连续空间的建模。虽然该方法仍面临挑战，特别是能量评分的准确性和从带噪声硬件中读取结果的开销，但它为未来奠定了可扩展的基础。这项工作证明了量子计算机可以超越粗糙、简化的模型，去处理真实的、具有连续几何结构的生物分子，为理解生命的基本机制提供了一条新途径。

技术摘要：用于连续扭转角空间中非晶格蛋白质结构预测的对数尺度变分量子特征值求解器

问题陈述

蛋白质结构预测（PSP）仍然是一个计算密集型的挑战，因为随着序列长度的增加，构象空间呈指数级增长。虽然深度学习方法（如 AlphaFold）已经取得了高精度，但它们严重依赖于进化数据和已知结构，这限制了它们在缺乏同源物的创新序列上的应用。经典的基于物理的方法（分子动力学、ab initio 折叠）在采样时间尺度和力场准确性方面面临困难。

现有的蛋白质结构预测（QPSP）量子方法主要受限于粗粒度的晶格模型（例如“alpha trace”或疏水-亲水模型）。这些模型将空间离散化，往往缺乏模拟全原子相互作用、侧链旋转异构体或现实溶剂效应的分辨率。此外，传统的编码方案将量子比特直接映射到空间坐标或晶格转向，这会导致线性或超线性的量子比特扩展，从而阻碍了在近期待用硬件上模拟复杂蛋白质。该领域需要一种能够超越离散晶格，转向连续的全原子表示，同时保持与当前量子处理器（QPU）兼容的量子比特足迹的方法。

方法论

作者提出了 量子扭转折叠器（Quantum Torsion Folder, QTF），这是一个将蛋白质构象自由度直接编码到量子态矢量相位振幅中的混合量子-经典框架。

1. 对数编码策略

与为每个自由度分配一个量子比特的传统方法不同，QTF 利用了对数缩放策略。对于具有 $N$ 个扭转自由度（骨架 $\phi, \psi, \omega$ 和侧链 $\chi$ 角）的蛋白质，该方法仅需要 $n = \lceil \log_2 N \rceil$ 个量子比特。

状态表示： 量子态表示为 $|\psi(\theta)\rangle = \sum r_j e^{i\phi_j} |j\rangle$ 。
相位提取： 分子扭转角是从相对于参考态（ $|0\rangle$ ）的规范固定相对相位中导出的。具体而言，扭转角 $\tilde{\phi}_j$ 是通过计算第 $j$ 个振幅的相位与参考振幅之间的包裹差（wrapped difference）得到的。
Ansatz（拟设）： 该框架采用 EfficientSU2 拟设（或可选的砖块式拟设）来生成参数化量子态。电路深度随扭转数量线性缩放，而量子比特宽度随扭转数量呈对数缩放。

2. 解码与重建

该框架根据执行环境使用两种不同的解码器：

态矢量解码器（模拟）： 在经典模拟中，可以获取精确的复振幅。扭转角通过相对相位进行确定性提取。
CDF 解码器（硬件）： 在物理 QPU 上，态矢量无法直接观测。相反，框架将测量的经验**累积分布函数（CDF）**映射到扭转角范围 $[-\pi, \pi]$ 。这使得在无需相位敏感断层扫描的情况下，实现与硬件兼容的读取。
坐标重建： 解码后的扭转角被输入到确定性的 自然扩展参考框架（NERF） 算法（或 PHEAT 库）中，利用固定的键长和键角解析地重建完整的重原子 3D 笛卡尔坐标。

3. 混合优化流水线

系统运行一个变分量子特征值求解器（VQE）循环：

生成： 量子电路通过编码相位生成一种构象。
评估： 一个基于物理的经典目标函数（哈密顿量）对重建的 3D 结构进行评分。作者实现了一个可定制的混合哈密顿量，包括 Lennard-Jones 项、库仑静电、隐式溶剂效应（SASA）、氢键和空间位阻惩罚。他们还集成了 Rosetta 和 OpenMM（基于 AMBER）能量函数用于基准测试。
优化： 经典优化器（COBYLA 和 SLSQP）更新电路参数 $\theta$ 以最小化能量。
课程学习（Curriculum）： 为了缓解贫瘠高原（barren plateaus）问题并应对崎岖的能量景观，采用了多阶段优化策略：
- 第一阶段： 使用无导数优化（COBYLA）和高约束权重进行全局疏水塌缩。
- 第二阶段： 使用基于梯度的优化（SLSQP）进行局部结构精细化。
- 第三阶段（仅限自定义能量）： 自然弛豫，通过逐渐减弱人工约束，使物理势能占据主导地位。

4. 集成组与快照挖掘

意识到单次优化轨迹可能无法达到全局最小值，该研究采用了集成组方法，为每种蛋白质/能量函数准备了 400 个独立的副本。至关重要的是，该方法从每个轨迹中保留高达 5,000 个低能快照，而不仅仅依赖于最终终点。这种“快照挖掘”方法允许识别在优化过程中可能被访问但被最终选择标准丢弃的类天然构象。

关键结果

该方法在两个微型蛋白质基准上进行了评估：Chignolin (5AWL, 10 个残基) 和 Trp-cage (2JOF, 20 个残基)。

模拟结果

Chignolin (5AWL)： 该方法成功采样了高度类天然的构象。保留的最佳快照实现了 C $\alpha$ RMSD 为 0.623 Å，而最佳最终模型达到了 1.199 Å。快照挖掘显示，几乎所有副本（取决于能量函数，为 98–100%）都包含至少一个低于 2.0 Å 天然阈值的快照，而只有极小部分的最终模型能达到这一标准。
Trp-cage (2JOF)： 这个更复杂的靶标具有挑战性。没有最终模型或快照跨越 2.0 Å 阈值。然而，快照挖掘将观察到的最佳 RMSD 从 3.512 Å（最终模型）改善到了 2.501 Å（保留快照），这证明了优化器访问了比最终选择规则捕捉到的更低能量的盆地。
能量函数性能： 自定义能量函数产生的最终模型在结构指标（回转半径、端到端距离）上最接近实验值。然而，所有三个后端（Custom, Rosetta, OpenMM）都从快照挖掘中显著受益，这凸显了最低能量结构与最低 RMSD 结构在采样景观中存在脱节。

硬件执行结果

作者使用来自 Chignolin 最佳模拟模型的“热启动”参数，在 ibm_cleveland（156 个量子比特）和 ibm_miami（120 个量子比特）上各执行了 300 个作业。

恢复率： 在 ibm_cleveland 上，类天然结构（RMSD < 2.0 Å）在 300 个作业中被回收了 88 次；而在 ibm_miami 上回收了 45 次。
最佳硬件 RMSD： 取得的最佳结构分别为 1.758 Å (ibm_cleveland) 和 1.782 Å (ibm_miami)。
后端差异性： 尽管 ibm_miami 具有较低的转译电路深度和门计数，但它表现出更宽的结构分布和更低的恢复率，表明后端特定因素（校准、脉冲调度、噪声）显著影响结果。
解码器影响： 硬件结果使用了 CDF 解码器，而模拟使用了相位解码器。硬件上能回收类天然结构这一事实，验证了该测量兼容映射策略的有效性。

重要性与声明

本文声称提出了第一个用于全原子连续空间蛋白质结构预测的量子算法。其主要贡献包括：

指数级量子比特压缩： 通过将扭转角编码到相对相位中，该方法将量子比特需求从 $O(N)$ 降低到 $O(\log N)$ ，使得在近待用硬件上进行小蛋白质的非晶格模拟成为可能。
连续空间建模： 它推动了领域从粗粒度晶格模型向具有完整侧链柔性的现实全原子表示的转变。
硬件可行性： 它证明了使用测量兼容解码器，可以在当前 QPU 上恢复类天然构象，为混合量子生物物理流水线建立了可扩展的基础。
采样 vs. 选择： 研究强调，量子生成器能够采样正确的构象空间，但瓶颈在于经典能量函数对这些结构进行排序的能力以及对最终终点的选择。“快照挖掘”策略被提议作为从这些高维搜索中提取价值的必要组成部分。

作者对目前的局限性保持谦逊，指出该方法对能量函数的选择非常敏感，在硬件读取方面存在显著的计算开销（采样复杂度问题），并且目前在噪声硬件上直接进行相对相位恢复方面面临挑战。他们将这项工作定位为将 QPSP 从粗粒度晶格转向现实蛋白质表示的重要基础性步骤。