Изучение квантового отжига для грубозернистого сворачивания белков

Почему это важно для будущих медикаментов

Формы, в которые сворачиваются белки, контролируют их функции в организме — от переноса кислорода до распознавания вирусов. Точное предсказание этих форм жизненно важно для разработки лекарств, но сделать это для всех белков по-прежнему чрезвычайно сложно. В этой статье рассматривается, сможет ли новый тип вычислительной аппаратуры — квантовые отжигатели — когда-нибудь помочь решить особенно трудные задачи сворачивания белков, которые ставят в тупик современные методы искусственного интеллекта и классические суперкомпьютеры.

Белки, ландшафты и поиск кратчайших путей

В основе сворачивания белков лежит гигантская задача поиска. Цепочка аминокислот может свернуться во множестве астрономических вариантов форм, каждая со своей энергией. Природа склонна выбирать низкоэнергетические формы, но «энергетический ландшафт» неровен, полон глубоких долин, разделённых крутыми холмами. Стандартные методы оптимизации и физически ориентированные симуляции часто застревают в локальных минимумах и пропускают лучшую форму. Квантовый отжиг привлекателен тем, что, теоретически, квантовые эффекты, такие как туннелирование, могут позволить системе «проскользнуть» через некоторые из этих барьеров вместо того, чтобы всегда перелезать через них, потенциально находя хорошие свёртки быстрее.

Упрощение белков для квантовых машин

Современные квантовые отжигатели ограничены по размеру и связности, поэтому авторы работают с упрощёнными, или грубозернистыми, моделями белков. Вместо отслеживания каждого атома они представляют каждую аминокислоту в виде шарика на дискретной решётке. Они изучают четыре способа кодирования этой схемы как математической задачи, с которой может справиться квантовый отжигатель. Две «поворотные» модели описывают цепочку последовательностью шагов на сетке. Две «координатные» модели назначают каждому шарiku конкретную позицию в решётке. Каждую вариантность можно разместить либо на стандартной кубической сетке, либо на более экономной тетраэдрической решётке, где у каждого шарика меньше соседей. Команда также представляет новую координатную схему на тетраэдрической сетке, использующую две чередующиеся перекрывающиеся решётки для представления чередующихся шариков при сохранении простоты взаимодействий.

Оценка качества моделей и сложности задач

Авторы сначала проводят детальный «аудит ресурсов»: сколько бинарных переменных (кубитов), сколько попарных связей и какого диапазона величин взаимодействий требует каждая модель по мере увеличения длины белка. Они показывают, что некоторые поворотные кодировки быстро становятся слишком плотными и требуют очень высокой числовой точности — оба эти фактора плохо сочетаются с текущей аппаратурой. Одна ранее предложенная поворотная тетраэдрическая модель демонстрирует более глубокий недостаток: для последовательностей длиной более примерно десяти аминокислот она может считать явно нефизические самопересекающиеся свёртки допустимыми решениями с наименьшей энергией. В отличие от этого, координатные схемы по своей природе ограничены попарными взаимодействиями и используют более регулярные штрафы, что удерживает требуемую числовую точность на скромном уровне и делает отображение на аппаратное обеспечение чище, особенно на тетраэдрической решётке.

Где квантовая аппаратура помогает — и где испытывает трудности

Далее команда исследует, насколько «неровными» выглядят эти закодированные задачи для любого оптимизатора, квантового или классического. Они используют метод, называемый параллельным отжигом (parallel tempering), чтобы изучить распределение низкоэнергетических состояний и оценить, насколько толстые барьеры между ними. Большинство экземпляров координатных задач попадают в диапазон, где квантовое туннелирование теоретически могло бы помочь перепрыгивать между близкими минимумами. Однако возникает практическая проблема: существующие квантовые отжигатели не могут соединять каждый кубит со всеми остальными, поэтому каждая логическая переменная должна быть отображена на цепочку физических кубитов в процессе, называемом встраиванием (embedding). Это значительно увеличивает количество кубитов и часто делает эффективный энергетический ландшафт более грубым и трудным для решения.

Противостояние квантовых и классических решателей

Наконец, авторы сравнивают, сколько времени разные методы тратят на поиск истинной минимальной по энергии свёртки для коротких случайно выбранных цепочек аминокислот. Они тестируют высоко оптимизированный код симулированного отжига с ускорением на GPU против двух поколений коммерческих квантовых отжигателей, сосредоточив внимание на наиболее перспективной модели: новой координатной кодировке на тетраэдрической решётке. Для небольших тестовых белков из шести–девяти остатков оба подхода демонстрируют схожее масштабирование с ростом размера, но в абсолютных величинах классический код по-прежнему значительно быстрее — на несколько порядков — при работе с исходной задачей. Тем не менее, когда обеим методикам предлагают решить точно ту же уже встраиваемую версию задачи, квантовый отжигатель показывает результат лучше, чем их классический симулированный отжиг, давая намёк на потенциальное преимущество по масштабированию, как только встраивание перестанет быть главным узким местом.

Что это значит для дальнейшего пути

Для широкой аудитории вывод таков: квантовый отжиг пока не является кратчайшим путём к сворачиванию реалистичных белков, но и не мёртвым концом. Исследование выделяет координатные модели на разреженных тетраэдрических решётках как наиболее перспективное направление и показывает, что дизайн модели сильно определяет, насколько трудными становятся задачи для любого решателя. Современной квантовой аппаратуре не хватает связности и точности, чтобы справляться с белками значительно большими, чем демонстрационные примеры, и некоторые существующие модели сворачивания даже неверно описывают базовую физику. Тем не менее по мере того как квантовые устройства будут получать более связанные кубиты и более низкие уровни ошибок, а кодировки будут совершенствоваться, чтобы избегать нефизических свёрток и снижать накладные расходы на встраивание, квантовый отжиг может стать конкурентоспособным — и, возможно, в конце концов превзойти классические и ИИ-методы для особенно неровных задач сворачивания белков.

Цитирование: 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

Ключевые слова: квантовый отжиг, сворачивание белков, грубозернистые модели, алгоритмы оптимизации, аппаратура квантовых вычислений