LOS CIENTÍFICOS ESTÁN INTERESADOS EN COMPRENDER LA MECÁNICA DEL PLEGAMIENTO DE PROTEÍNAS PORQUE LA FORMA DE UNA PROTEÍNA DETERMINA SU FUNCIÓN BIOLÓGICA, Y EL PLEGAMIENTO INCORRECTO PUEDE PROVOCAR ENFERMEDADES COMO EL ALZHEIMER Y EL PARKINSON. SI LOS INVESTIGADORES PUEDEN COMPRENDER Y PREDECIR MEJOR EL PLEGAMIENTO, ESO PODRÍA MEJORAR SIGNIFICATIVAMENTE EL DESARROLLO DE FÁRMACOS Y AUMENTAR LA CAPACIDAD DE ABORDAR TRASTORNOS COMPLEJOS A NIVEL MOLECULAR.
Sin embargo, el plegamiento de proteínas es un fenómeno increíblemente complicado, que requiere cálculos demasiado complejos para que los ordenadores clásicos puedan resolverlos en la práctica, aunque se están haciendo progresos, especialmente a través de nuevas técnicas de inteligencia artificial. Sin embargo, lo complicado del plegamiento de proteínas lo convierte en un caso de uso interesante para la computación cuántica.
Ahora, un equipo de investigadores ha utilizado una computadora cuántica de iones atrapados de 36 qubits que ejecuta un algoritmo cuántico relativamente nuevo y prometedor para resolver problemas de plegamiento de proteínas que involucran hasta 12 aminoácidos, marcando, potencialmente, la demostración más grande de este tipo hasta la fecha en hardware cuántico real y destacando la promesa de la plataforma para abordar cálculos biológicos complejos.
En un estudio publicado en el servidor de preimpresión arXiv, los investigadores de Kipu Quantum e IonQ informaron que su sistema, que ejecuta un algoritmo especializado llamado BF-DCQO, encontró consistentemente configuraciones de plegamiento óptimas o casi óptimas para tres péptidos biológicamente relevantes. La misma configuración también resolvió grandes problemas de satisfacibilidad booleana y optimización de espín-vidrio, todos los cuales se sabe que son computacionalmente difíciles para los sistemas clásicos.
Resolviendo un problema central en bioquímica
El plegamiento de proteínas es el proceso por el cual las cadenas de aminoácidos asumen su forma tridimensional funcional y, como se mencionó, es crucial para la actividad biológica.
En este estudio, los investigadores mapearon el proceso de plegamiento en una red y lo expresaron como un problema de optimización binaria de orden superior (HUBO), un tipo de problema caracterizado por funciones de energía complejas que son difíciles de minimizar. Piense en un problema de HUBO como tratar de encontrar el punto más bajo en una vasta cadena montañosa escarpada donde cada pico y valle depende de múltiples decisiones interconectadas tomadas de una sola vez. En esta analogía, el punto más bajo representa el pliegue de proteína más estable, la solución que la naturaleza está tratando de encontrar.
Estos problemas de HUBO se resolvieron utilizando un nuevo algoritmo cuántico, Bias-Field Digitized Counterdiabtic Quantum Optimization (BF-DCQO), que se ejecuta en el hardware de iones atrapados completamente conectado de IonQ.
Al codificar el plegamiento de proteínas en un marco mecánico cuántico, el equipo lo reformuló efectivamente como un problema de búsqueda de estado fundamental. La energía de diferentes configuraciones de plegamiento fue representada por la energía del hamiltoniano de un sistema cuántico, que es una función matemática que define cómo evoluciona el sistema.
Quantum Protein Solver alcanza un nuevo hito de tamaño
Los problemas de plegamiento estudiados involucraron tres péptidos de 10 a 12 aminoácidos. Para simular el plegamiento, cada giro en la cadena de proteínas se codificó utilizando dos qubits, y las interacciones entre aminoácidos no consecutivos se modelaron utilizando energías de contacto conocidas. El enfoque se tradujo en circuitos cuánticos que requieren hasta 33 qubits y más de mil términos de interacción.
Los resultados mostraron que el algoritmo BF-DCQO, junto con un posprocesamiento mínimo, devolvió consistentemente las estructuras correctas de menor energía. El método era robusto al ruido del hardware, especialmente cuando los investigadores utilizaron técnicas de poda de circuitos para reducir los recuentos de puertas cuánticas.
Las proteínas seleccionadas: chignolina, una horquilla sintética β; un neuropéptido activador de la cabeza; y un segmento del gen de unión de la inmunoglobulina kappa— son todos importantes en bioquímica o neurociencia.
La investigación representa un hito para las computadoras cuánticas de iones atrapados, según los autores del estudio.
El equipo escribe: “En particular, estas instancias representan las instancias de plegamiento de proteínas más grandes resueltas con éxito en hardware de iones atrapados hasta la fecha, lo que destaca el valor de combinar nuestro solucionador de plegamiento de proteínas adaptado basado en BF-DCQO con hardware de iones atrapados”.
Probando la optimización cuántica más allá de la biología
La utilidad del algoritmo se extendió más allá de la biología. El equipo también lo aplicó a otras dos categorías de problemas de optimización difíciles: MAX 4-SAT y gafas de espín.
MAX 4-SAT es un problema lógico ampliamente utilizado en computación, donde el objetivo es encontrar la asignación de variables que satisfaga las cláusulas más lógicas. En otras palabras, es como un rompecabezas de lógica donde cada regla depende de cuatro decisiones de sí o no, y el objetivo es elegir las respuestas que satisfagan tantas reglas como sea posible. Los informáticos confían en esto con frecuencia porque modela problemas de restricción del mundo real, desde la programación hasta el diseño de circuitos.
The researchers tested instances involving up to 36 variables and thousands of constraints. Their trapped-ion system, leveraging the BF-DCQO algorithm, found the correct solutions in all but a few of the cases — and those were only off by one or two satisfied clauses.
The third problem class, spin-glasses, represents disordered magnetic systems where every spin interacts with every other. These systems are a classic testbed for optimization algorithms because they feature an especially rugged energy landscape. The study tested 36-variable spin-glass instances, and in two of three cases, the quantum processor identified the exact ground state.
Es una tarea similar a la destacada en el reciente experimento de ventaja cuántica de D-Wave, que buscó demostrar una forma de ventaja cuántica en un problema de espín y vidrio del mundo real, aunque los estudios posteriores continúan agregando debate científico sobre el alcance del resultado.
Sinergia de algoritmo y hardware
El algoritmo BF-DCQO evita las limitaciones de los algoritmos cuánticos variacionales, que a menudo luchan con la escalabilidad y las “mesetas estériles” donde se desvanecen los gradientes de optimización. En cambio, BF-DCQO actualiza dinámicamente los campos de polarización para dirigir el sistema cuántico hacia estados de menor energía con cada iteración. Se basa en los principios de la evolución adiabática y el control contradiabático, pero está diseñado para ser digital y compatible con el ruidoso hardware cuántico actual.
Para gestionar las limitaciones de hardware, como la fidelidad de la puerta y la profundidad del circuito, el equipo introdujo métodos de poda que cortan las operaciones de puerta de ángulo pequeño de los circuitos. Estas reducciones resultaron esenciales: sin la poda, el número de puertas cuánticas habría superado lo que el hardware actual puede soportar.
Los investigadores explicaron que el hardware de IonQ, basado en iones de iterbio atrapados, ofrece conectividad todo a todo, lo que significa que cualquier qubit puede interactuar con cualquier otro. Esta capacidad lo hizo particularmente adecuado para resolver problemas densos como el plegamiento de proteínas y los modelos de vidrio de espín, que involucran interacciones entre muchos componentes.
Limitaciones y próximos pasos
Si bien los resultados fueron alentadores, el estudio reconoce varias limitaciones. Los modelos de plegamiento utilizados estaban basados en retículas y no tenían en cuenta la dinámica molecular completa ni los entornos químicos. Además, el paso de posprocesamiento, que implica un algoritmo clásico para refinar resultados cuánticos casi óptimos, fue fundamental para alcanzar soluciones óptimas en varios casos.
“Cuando las soluciones óptimas no se obtienen directamente, aplicamos adicionalmente un algoritmo de búsqueda local codicioso para obtener mejores soluciones al mitigar los posibles errores de medición y cambio de bits, lo que destaca la interacción favorable entre los algoritmos clásicos y cuánticos”, escribe el equipo.
Las direcciones futuras podrían incluir la mejora de la compilación de circuitos cuánticos, la ampliación del enfoque a cadenas de proteínas más largas y la integración de modelos de plegamiento más realistas. Los autores sugieren que la sinergia entre el hardware cuántico y los algoritmos cuánticos específicos de problemas como BF-DCQO podría conducir a una ventaja cuántica práctica en la optimización molecular y otros problemas de HUBO.
El artículo sobre arXiv profundiza tecnológicamente más que esta historia resumida, por lo que se recomienda revisar el estudio para obtener detalles tecnológicos más exactos. ArXiv es un servidor de preimpresión, lo que significa que el trabajo no ha sido oficialmente revisado por pares, un paso clave del método científico.
Entre los investigadores se encuentran: Sebastián V. Romero, Alejandro Gómez Cadavid, Pavle Nikačević, Enrique Solano y Narendra N. Hegade, todos de Kipu Quantum. Romero y Cadavid también están adscritos a la Universidad del País Vasco UPV/EHU. Los miembros del equipo de IonQ Inc. incluyen a Miguel Ángel López-Ruiz, Claudio Girotto, Masako Yamada, Panagiotis Kl. Barkoutsos, Ananth Kaushik y Martin Roetteler.
