編輯 | 白菜葉
雖然 AlphaFold 等深度學習方法在計算機蛋白質結構預測領域取得了不錯的成績，但該領域的研究仍然是生物醫學研究中一個具有挑戰性的問題。
隨著量子計算的快速發展，人們自然會問：量子計算機是否能為解決這一問題提供一些幫助。然而，確定適合量子優勢的特定問題例項，以及評估所需的量子資源同樣具有挑戰性。
在這裡，克利夫蘭診所（Cleveland Clinic）和 IBM Quantum 的研究人員分享了他們的觀點，即如何建立一個框架來系統地選擇適合量子優勢的蛋白質結構預測問題，並在實用級量子計算機上估計此類問題的量子資源。
作為概念驗證，研究人員透過在量子硬體上準確預測寨卡病毒 NS3 解旋酶的催化環的結構，來驗證他們的問題選擇框架。
該研究以「A Perspective on Protein Structure Prediction Using Quantum Computers」為題，於 2024 年 5 月 30 日釋出在《Journal of Chemical Theory and Computation》。
幾十年來，研究人員一直利用計算方法來預測蛋白質結構。蛋白質摺疊成一種結構，決定了它如何發揮作用以及如何與體內其他分子結合。這些結構對人類健康和疾病有深遠影響。
透過準確預測蛋白質的結構，研究人員可以更好地瞭解疾病如何傳播，從而開發有效的治療方法。克利夫蘭診所博士後研究員 Bryan Raubenolt 博士和 IBM 研究員 Hakan Doga 博士帶領團隊探索量子計算如何改進當前方法。
近年來，機器學習技術在蛋白質結構預測方面取得了重大進展。這些方法依賴於訓練資料（透過實驗確定的蛋白質結構的資料庫）進行預測。這意味著它們受到已識別的蛋白質數量的限制。當程式/演算法遇到突變的蛋白質或與訓練時差異很大的蛋白質時，準確率會降低，這種情況在遺傳疾病中很常見。
另一種方法是模擬蛋白質摺疊的物理原理。模擬可以讓研究人員觀察給定蛋白質的各種可能形狀，並找到最穩定的形狀。最穩定的形狀對於藥物設計至關重要。
挑戰在於，如果蛋白質尺寸超過一定值，這些模擬在傳統計算機上幾乎不可能實現。從某種意義上說，增加目標蛋白質的尺寸就好比增加魔方的尺寸。Raubenolt 博士說，對於含有 100 個氨基酸的小蛋白質，傳統計算機需要相當於宇宙年齡的時間來詳盡地搜尋所有可能的結果。
為了克服這些限制，研究團隊採用了量子和經典計算方法的混合方法。該框架可以讓量子演算法解決最先進的經典計算所面臨的挑戰，包括蛋白質大小、內在無序性、突變和蛋白質摺疊所涉及的物理學。
圖示：量子-經典混合框架工作流程示意圖。（來源：論文）
與最先進的經典方法相比，該框架透過在量子計算機上準確預測寨卡病毒蛋白小片段的摺疊得到了驗證。
量子-經典混合框架的初步結果優於基於經典物理的方法和 AlphaFold2。儘管後者的設計最適合處理較大的蛋白質，但它仍然證明了該框架能夠在不直接依賴大量訓練資料的情況下建立精確模型的能力。
研究人員首先利用量子演算法來模擬片段主鏈的最低能量構象，這通常是計算過程中計算量最大的步驟。然後使用經典方法轉換從量子計算機獲得的結果，重建蛋白質及其側鏈，並使用經典分子力學力場對結構進行最終細化。
該專案展示了將問題分解成各個部分的方法之一，利用量子計算方法解決其中的一些部分，利用經典計算解決其他部分，以提高準確性。
「該專案最獨特的一點是涉及的學科數量。」Raubenolt 博士說，「我們團隊的專業知識範圍廣泛，從計算生物學和化學、結構生物學、軟體和自動化工程到實驗原子和核物理學、數學，當然還有量子計算和演算法設計。它利用各個領域的知識來建立計算框架，可以模擬人類生命中最重要的過程之一。」
該團隊將經典計算方法與量子計算方法相結合，對於增進科學家對蛋白質結構的理解以及它們如何影響我們治療和預防疾病的能力是至關重要的一步。該團隊計劃繼續開發和最佳化可以預測更大、更復雜蛋白質結構的量子演算法。
Doga 博士表示：「這項研究是探索量子計算能力在蛋白質結構預測中的優勢的重要一步。我們的目標是設計出能夠儘可能真實地預測蛋白質結構的量子演算法。」
論文連結：https://pubs.acs.org/doi/10.1021/acs.jctc.4c00067
相關報導：https://phys.org/news/2024-05-quantum-methods-protein.html