Forskare från Cleveland Clinic och IBM har nyligen publicerat resultat i Journal of Chemical Theory and Computation som kan lägga grunden för att tillämpa kvantberäkningsmetoder för att förutsäga proteinstrukturer.
I årtionden har forskare använt sig av beräkningsmetoder för att förutsäga proteinstrukturer. Ett protein veckar sig självt till en struktur som avgör hur det fungerar och binder till andra molekyler i kroppen. Dessa strukturer avgör många aspekter av människors hälsa och sjukdomar.
Genom att exakt förutsäga strukturen hos ett protein kan forskare bättre förstå hur sjukdomar sprids och därmed hur man utvecklar effektiva terapier. Cleveland Clinic postdoktor Bryan Raubenolt, Ph.D. och IBM-forskaren Hakan Doga, Ph.D. ledde ett team för att upptäcka hur kvantberäkning kan förbättra nuvarande metoder.
Under de senaste åren har maskininlärningstekniker gjort betydande framsteg inom prediktion av proteinstrukturer. Dessa metoder är beroende av träningsdata (en databas med experimentellt fastställda proteinstrukturer) för att kunna göra förutsägelser. Detta innebär att de begränsas av hur många proteiner de har lärt sig att känna igen. Detta kan leda till lägre träffsäkerhet när programmen/algoritmerna stöter på ett protein som är muterat eller som skiljer sig mycket från de proteiner som de tränats på, vilket är vanligt vid genetiska sjukdomar.
Den alternativa metoden är att simulera fysiken bakom proteinveckningen. Simuleringar gör det möjligt för forskare att titta på ett visst proteins olika möjliga former och hitta den mest stabila. Den mest stabila formen är avgörande för läkemedelsdesign.
Utmaningen är att dessa simuleringar är nästan omöjliga på en klassisk dator, bortom en viss proteinstorlek. Att öka storleken på målproteinet är på sätt och vis jämförbart med att öka dimensionerna på en Rubiks kub. För ett litet protein med 100 aminosyror skulle en klassisk dator behöva en tid som motsvarar universums ålder för att uttömmande söka efter alla möjliga resultat, säger Dr. Raubenolt.
För att övervinna dessa begränsningar använde forskargruppen en blandning av kvantdatorer och klassiska datorer. Detta ramverk kan göra det möjligt för kvantalgoritmer att ta itu med de områden som är utmanande för toppmoderna klassiska datorer, inklusive proteinstorlek, inneboende oordning, mutationer och den fysik som är involverad i proteinveckning. Ramverket validerades genom att exakt förutsäga veckningen av ett litet fragment av ett zikavirusprotein på en kvantdator, jämfört med de senaste klassiska metoderna.
De första resultaten från det kvantklassiska hybridramverket överträffade både en klassisk fysikbaserad metod och AlphaFold2. Även om den senare är utformad för att fungera bäst med större proteiner, visar den ändå detta ramverks förmåga att skapa exakta modeller utan att direkt förlita sig på betydande träningsdata.
Forskarna använde en kvantalgoritm för att först modellera den lägsta energikonformationen för fragmentets ryggrad, vilket vanligtvis är det mest beräkningskrävande steget i beräkningen. Klassiska metoder användes sedan för att konvertera resultaten från kvantdatorn, rekonstruera proteinet med dess sidokedjor och utföra den slutliga förfiningen av strukturen med klassiska molekylmekaniska kraftfält.
Projektet visar ett av de sätt på vilka problem kan delas upp i delar, där kvantdatametoder kan hantera vissa delar och klassiska beräkningsmetoder andra, för ökad noggrannhet.
”En av de mest unika sakerna med det här projektet är antalet discipliner som är inblandade”, säger Dr. Raubenolt. ”Vårt teams expertis sträcker sig från beräkningsbiologi och kemi, strukturbiologi, mjukvaru- och automationsteknik till experimentell atom- och kärnfysik, matematik och naturligtvis kvantdatorer och algoritmdesign. Det krävdes kunskap från alla dessa områden för att skapa ett beräkningsramverk som kan efterlikna en av de viktigaste processerna för mänskligt liv.”
Teamets kombination av klassiska beräkningsmetoder och kvantberäkningsmetoder är ett viktigt steg för att öka vår förståelse av proteinstrukturer och hur de påverkar vår förmåga att behandla och förebygga sjukdomar. Teamet planerar att fortsätta utveckla och optimera kvantalgoritmer som kan förutsäga strukturen hos större och mer sofistikerade proteiner.
”Det här arbetet är ett viktigt steg framåt när det gäller att utforska var kvantberäkningsfunktioner kan visa styrkor när det gäller att förutsäga proteinstrukturer”, säger Dr. Doga. ”Vårt mål är att utforma kvantalgoritmer som kan förutsäga proteinstrukturer på ett så realistiskt sätt som möjligt.”
Ytterligare information: Hakan Doga et al, A Perspective on Protein Structure Prediction Using Quantum Computers, Journal of Chemical Theory and Computation (2024). DOI: 10.1021/acs.jctc.4c00067
