Onderzoekers van Cleveland Clinic en IBM hebben onlangs hun bevindingen gepubliceerd in het Journal of Chemical Theory and Computation dat zou de basis kunnen leggen voor het toepassen van kwantumcomputermethoden voor het voorspellen van de eiwitstructuur.

Decennia lang hebben onderzoekers gebruik gemaakt van computationele benaderingen om eiwitstructuren te voorspellen. Een eiwit vouwt zichzelf op tot een structuur die bepaalt hoe het functioneert en bindt zich aan andere moleculen in het lichaam. Deze structuren bepalen veel aspecten van de menselijke gezondheid en ziekte.

Door de structuur van een eiwit nauwkeurig te voorspellen, kunnen onderzoekers beter begrijpen hoe ziekten zich verspreiden en zo effectieve therapieën ontwikkelen. Cleveland Clinic postdoctoraal collega Bryan Raubenolt, Ph.D. en IBM-onderzoeker Hakan Doga, Ph.D. leidde een team om te ontdekken hoe quantum computing de huidige methoden kan verbeteren.

De afgelopen jaren hebben machinale leertechnieken aanzienlijke vooruitgang geboekt bij het voorspellen van de eiwitstructuur. Deze methoden zijn afhankelijk van trainingsgegevens (een database van experimenteel bepaalde eiwitstructuren) om voorspellingen te doen. Dit betekent dat ze beperkt worden door het aantal eiwitten dat ze hebben geleerd te herkennen. Dit kan leiden tot lagere nauwkeurigheidsniveaus wanneer de programma's/algoritmen een eiwit tegenkomen dat gemuteerd is of heel anders is dan het eiwit waarop ze zijn getraind, wat gebruikelijk is bij genetische aandoeningen.

De alternatieve methode is het simuleren van de fysica van het vouwen van eiwitten. Met simulaties kunnen onderzoekers naar de verschillende mogelijke vormen van een bepaald eiwit kijken en de meest stabiele vorm vinden. De meest stabiele vorm is van cruciaal belang voor het ontwerpen van medicijnen.

De uitdaging is dat deze simulaties vrijwel onmogelijk zijn op een klassieke computer, boven een bepaalde eiwitgrootte. In zekere zin is het vergroten van de grootte van het doeleiwit vergelijkbaar met het vergroten van de afmetingen van een Rubiks kubus. Voor een klein eiwit met 100 aminozuren zou een klassieke computer de tijd nodig hebben die gelijk is aan de leeftijd van het universum om alle mogelijke uitkomsten uitputtend te doorzoeken, zegt Dr. Raubenolt.

Om deze beperkingen te helpen overwinnen, paste het onderzoeksteam een ​​mix van kwantum- en klassieke computermethoden toe. Dit raamwerk zou kwantumalgoritmen in staat kunnen stellen de gebieden aan te pakken die een uitdaging vormen voor de modernste klassieke computers, waaronder de eiwitgrootte, intrinsieke wanorde, mutaties en de fysica die betrokken is bij het vouwen van eiwitten. Het raamwerk werd gevalideerd door nauwkeurig de vouwing van een klein fragment van een Zika-viruseiwit op een kwantumcomputer te voorspellen, vergeleken met de modernste klassieke methoden.

De eerste resultaten van het kwantum-klassieke hybride raamwerk presteerden beter dan zowel een klassieke, op fysica gebaseerde methode als AlphaFold2. Hoewel dit laatste is ontworpen om het beste te werken met grotere eiwitten, demonstreert het niettemin het vermogen van dit raamwerk om nauwkeurige modellen te creëren zonder direct te vertrouwen op substantiële trainingsgegevens.

De onderzoekers gebruikten een kwantumalgoritme om eerst de conformatie met de laagste energie voor de ruggengraat van het fragment te modelleren, wat doorgaans de rekenkundig meest veeleisende stap van de berekening is. Klassieke benaderingen werden vervolgens gebruikt om de resultaten van de kwantumcomputer om te zetten, het eiwit met zijn zijketens te reconstrueren en de uiteindelijke verfijning van de structuur uit te voeren met klassieke moleculaire mechanische krachtvelden.

Het project laat een van de manieren zien waarop problemen in delen kunnen worden gedeconstrueerd, waarbij kwantumcomputermethoden sommige delen aanpakken en andere klassieke computermethoden, voor een grotere nauwkeurigheid.

"Een van de meest unieke dingen aan dit project is het aantal betrokken disciplines", zegt Dr. Raubenolt. “De expertise van ons team strekt zich uit van computationele biologie en scheikunde, structurele biologie, software en automatisering, tot experimentele atoom- en kernfysica, wiskunde en natuurlijk quantum computing en algoritmeontwerp. De kennis uit elk van deze gebieden was nodig om een een computationeel raamwerk dat een van de belangrijkste processen voor het menselijk leven kan nabootsen."

De combinatie van klassieke en kwantumcomputermethoden door het team is een essentiële stap voor het bevorderen van ons begrip van eiwitstructuren, en hoe deze van invloed zijn op ons vermogen om ziekten te behandelen en te voorkomen. Het team is van plan door te gaan met het ontwikkelen en optimaliseren van kwantumalgoritmen die de structuur van grotere en meer geavanceerde eiwitten kunnen voorspellen.

"Dit werk is een belangrijke stap voorwaarts in het onderzoeken waar kwantumcomputingcapaciteiten sterke punten kunnen laten zien bij het voorspellen van de eiwitstructuur", zegt Dr. Doga. "Ons doel is om kwantumalgoritmen te ontwerpen die kunnen ontdekken hoe eiwitstructuren zo realistisch mogelijk kunnen worden voorspeld."

Meer informatie: Hakan Doga et al., Een perspectief op het voorspellen van eiwitstructuren met behulp van kwantumcomputers, Journal of Chemical Theory and Computation (2024). DOI:10.1021/acs.jctc.4c00067

Aangeboden door Cleveland Clinic