Badanie wyżarzania kwantowego dla gruboziarnistego składania białek

Dlaczego to ma znaczenie dla przyszłych leków

Ksztalty, w jakie białka się układają, determinują ich funkcje w organizmach — od przenoszenia tlenu po rozpoznawanie wirusów. Przewidywanie tych kształtów jest kluczowe dla projektowania leków, lecz dokładne wyznaczenie struktur dla wszystkich białek nadal jest niezwykle trudne. W artykule pytano, czy nowy rodzaj sprzętu obliczeniowego — wyżarzacze kwantowe — mógłby kiedyś pomóc rozwiązać szczególnie trudne problemy składania białek, które sprawiają kłopot współczesnej sztucznej inteligencji i klasycznym superkomputerom.

Białka, pejzaże energetyczne i poszukiwanie skrótów

W istocie składanie białek to gigantyczny problem przeszukiwania. Łańcuch aminokwasów może uformować astronomicznie wiele kształtów, z których każdy ma swoją energię. Natura zwykle wybiera stany o niskiej energii, ale „pejzaż energetyczny” jest nierówny — pełen głębokich dolin rozdzielonych stromymi wzniesieniami. Standardowe metody optymalizacyjne i symulacje inspirowane fizyką często utkną w lokalnych dolinach i przegapią najlepsze struktury. Wyżarzanie kwantowe kusi, ponieważ w teorii efekty kwantowe, jak tunelowanie, mogłyby pozwolić systemowi przeniknąć przez niektóre z tych przeszkód zamiast je zawsze pokonywać, potencjalnie szybciej znajdując dobre złożenia.

Uproszczenie białek dla maszyn kwantowych

Obecne wyżarzacze kwantowe mają ograniczenia rozmiaru i łączności, więc autorzy pracują z uproszczonymi, czyli gruboziarnistymi modelami białek. Zamiast śledzić każdy atom, reprezentują każdy aminokwas jako koralik na dyskretnej siatce. Badali cztery sposoby zakodowania takiego układu jako zadania matematycznego, które może obsłużyć wyżarzacz kwantowy. Dwa modele „oparte na skrętach” opisują łańcuch przez sekwencję kroków na siatce. Dwa modele „oparte na współrzędnych” przypisują każdy koralik do konkretnej pozycji na sieci krystalicznej. Każdą wariant można rozłożyć na standardowej sieci sześciennej albo na bardziej ekonomicznej sieci tetraedrycznej, gdzie każdy koralik ma mniej sąsiadów. Zespół wprowadza także nowe schemat współrzędny na siatce tetraedrycznej, używając dwóch przeplatających się siatek do reprezentacji naprzemiennych koralików przy zachowaniu prostoty oddziaływań.

Testowanie jakości modeli i trudności problemu

Autorzy najpierw przeprowadzili szczegółowy „audyt zasobów”: ile zmiennych binarnych (kubits), ile sprzężeń parowych i jak szeroki zakres sił oddziaływań wymaga każdy model w miarę wzrostu długości białka. Pokazali, że niektóre kodowania oparte na skrętach szybko stają się zbyt gęste i wymagają bardzo wysokiej precyzji numerycznej, co źle współgra z obecnym sprzętem. Jeden wcześniej zaproponowany model skrętowy na siatce tetraedrycznej ujawnia poważniejszą wadę: dla sekwencji dłuższych niż około dziesięć aminokwasów może uznawać wyraźnie niefizyczne, samoprzenikające konfiguracje za poprawne rozwiązania o najniższej energii. W przeciwieństwie do tego, schematy oparte na współrzędnych naturalnie ograniczają się do oddziaływań parowych i stosują bardziej regularne kary, co utrzymuje wymaganą precyzję liczbową na umiarkowanym poziomie i ułatwia odwzorowanie na sprzęt, zwłaszcza na siatce tetraedrycznej.

Gdzie sprzęt kwantowy pomaga — a gdzie ma problemy

Następnie zespół bada, jak „szorstkie” wydają się te zakodowane zadania dla dowolnego optymalizatora, kwantowego czy klasycznego. Użyli techniki zwanej temperowaniem równoległym, aby zmapować rozkład stanów o niskiej energii i oszacować, jak grube są bariery między nimi. Większość przypadków opartych na współrzędnych mieści się w reżimie, gdzie tunelowanie kwantowe mogłoby w zasadzie pomóc przeskoczyć między sąsiednimi minimami. Jednak pojawia się praktyczna przeszkoda: istniejące wyżarzacze kwantowe nie łączą bezpośrednio każdego kubita z każdym innym, więc każda zmienna logiczna musi być odwzorowana na łańcuch kubitów fizycznych w procesie zwanym osadzaniem (embedding). To znacząco zwiększa liczbę kubitów i często sprawia, że efektywny pejzaż energetyczny staje się bardziej chropowaty i trudniejszy do rozwiązania.

Pojedynek solverów: kwantowe kontra klasyczne

Na koniec autorzy porównują, ile czasu różne metody potrzebują, by znaleźć prawdziwe rozwiązanie o najniższej energii dla krótkich, losowo wybranych łańcuchów aminokwasów. Porównali wysoko zoptymalizowany, akcelerowany na GPU kod symulowanego wyżarzania z dwiema generacjami komercyjnych wyżarzaczy kwantowych, skupiając się na najbardziej obiecującym modelu: nowym kodowaniu współrzędnym na siatce tetraedrycznej. Dla małych testowych białek o długości od sześciu do dziewięciu reszt oba podejścia wykazywały podobne skalowanie ze wzrostem rozmiaru, lecz w wartościach bezwzględnych kod klasyczny nadal działał znacznie szybciej — o kilka rzędów wielkości — gdy uruchamiano go na oryginalnym problemie. Jednak gdy obie metody miały rozwiązać dokładnie tę samą, już osadzoną wersję zadania, wyżarzacz kwantowy wypadł lepiej niż ich klasyczne symulowane wyżarzanie, co sugeruje potencjalną przewagę skalującą, gdy osadzanie przestanie być głównym wąskim gardłem.

Co to oznacza na dalszej drodze

Dla ogólnego czytelnika wniosek jest taki: wyżarzanie kwantowe nie jest jeszcze skrótem do składania realistycznych białek, ale też nie jest ślepą uliczką. Badanie wskazuje modele oparte na współrzędnych na rzadkich siatkach tetraedrycznych jako najbardziej obiecujący kierunek i pokazuje, że projekt modelu silnie kształtuje, jak trudne są powstałe problemy dla dowolnego solvera. Dzisiejszy sprzęt kwantowy nie ma wystarczającej łączności i precyzji, by obsługiwać białka znacznie wykraczające poza rozmiary dowodu koncepcji, a niektóre istniejące modele składania nawet błędnie opisują podstawową fizykę. Mimo to, w miarę jak urządzenia kwantowe zyskiwać będą lepiej połączone kubity i niższe wskaźniki błędów, a kodowania będą dopracowywane, by unikać niefizycznych złożeń i zmniejszać narzut osadzania, wyżarzanie kwantowe może stać się konkurencyjne — a być może w końcu przewyższyć metody klasyczne — dla szczególnie szorstkich wyzwań składania białek, które przeciążają metody klasyczne i oparte na sztucznej inteligencji.

Cytowanie: Scheiber, T., Heller, M. & Giebel, A. Exploring quantum annealing for coarse-grained protein folding. Sci Rep 16, 12035 (2026). https://doi.org/10.1038/s41598-026-46916-w

Słowa kluczowe: wyżarzanie kwantowe, składanie białek, modele gruboziarniste, algorytmy optymalizacyjne, sprzęt obliczeń kwantowych