Forscher der Cleveland Clinic und von IBM haben kürzlich veröffentlicht Erkenntnisse in der Zeitschrift für chemische Theorie und Berechnung Dies könnte die Grundlage für die Anwendung von Methoden des Quantencomputings zur Vorhersage von Proteinstrukturen legen.
Seit Jahrzehnten nutzen Forscher computergestützte Ansätze, um Proteinstrukturen vorherzusagen. Ein Protein faltet sich in eine Struktur, die bestimmt, wie es funktioniert und sich an andere Moleküle im Körper bindet. Diese Strukturen bestimmen viele Aspekte der menschlichen Gesundheit und Krankheit.
Durch die genaue Vorhersage der Struktur eines Proteins können Forscher besser verstehen, wie sich Krankheiten ausbreiten und so wirksame Therapien entwickeln. Der Postdoktorand der Cleveland Clinic, Bryan Raubenolt, Ph.D., und der IBM-Forscher Hakan Doga, Ph.D., leiteten ein Team, das herausfinden wollte, wie Quantencomputer aktuelle Methoden verbessern können.
In den letzten Jahren wurden mit maschinellen Lerntechniken erhebliche Fortschritte bei der Vorhersage von Proteinstrukturen erzielt. Diese Methoden sind für ihre Vorhersagen auf Trainingsdaten (eine Datenbank experimentell ermittelter Proteinstrukturen) angewiesen. Das bedeutet, dass sie dadurch eingeschränkt sind, wie viele Proteine sie erkennen sollen. Dies kann zu einer geringeren Genauigkeit führen, wenn die Programme/Algorithmen auf ein Protein stoßen, das mutiert ist oder sich stark von dem unterscheidet, mit dem sie trainiert wurden, was bei genetischen Störungen häufig vorkommt.
Die alternative Methode besteht darin, die Physik der Proteinfaltung zu simulieren. Mithilfe von Simulationen können Forscher die verschiedenen möglichen Formen eines bestimmten Proteins untersuchen und die stabilste Form finden. Die stabilste Form ist für die Entwicklung von Medikamenten von entscheidender Bedeutung.
Die Herausforderung besteht darin, dass diese Simulationen ab einer bestimmten Proteingröße auf einem klassischen Computer nahezu unmöglich sind. In gewisser Weise ist die Vergrößerung des Zielproteins vergleichbar mit der Vergrößerung der Abmessungen eines Zauberwürfels. Für ein kleines Protein mit 100 Aminosäuren würde ein klassischer Computer die Zeit benötigen, die dem Alter des Universums entspricht, um alle möglichen Ergebnisse erschöpfend zu durchsuchen, sagt Dr. Raubenolt.
Um diese Einschränkungen zu überwinden, verwendete das Forschungsteam eine Mischung aus Quanten- und klassischen Computermethoden. Dieses Framework könnte es Quantenalgorithmen ermöglichen, Bereiche zu adressieren, die für moderne klassische Computer eine Herausforderung darstellen, darunter Proteingröße, intrinsische Unordnung, Mutationen und die Physik der Proteinfaltung. Das Framework wurde validiert, indem die Faltung eines kleinen Fragments eines Zika-Virus-Proteins auf einem Quantencomputer im Vergleich zu modernen klassischen Methoden genau vorhergesagt wurde.
Die anfänglichen Ergebnisse des quantenklassischen Hybrid-Frameworks übertrafen sowohl eine klassische physikbasierte Methode als auch AlphaFold2. Obwohl letzteres am besten für größere Proteine ausgelegt ist, zeigt es dennoch die Fähigkeit dieses Frameworks, genaue Modelle zu erstellen, ohne direkt auf umfangreiche Trainingsdaten angewiesen zu sein.
Die Forscher verwendeten zunächst einen Quantenalgorithmus, um die Konformation mit der niedrigsten Energie für das Rückgrat des Fragments zu modellieren. Dies ist normalerweise der rechenintensivste Schritt der Berechnung. Anschließend wurden klassische Ansätze verwendet, um die vom Quantencomputer erhaltenen Ergebnisse umzuwandeln, das Protein mit seinen Seitenketten zu rekonstruieren und die Struktur mit klassischen Kraftfeldern der Molekülmechanik endgültig zu verfeinern.
Das Projekt zeigt eine Möglichkeit, Probleme in Teile zu zerlegen, wobei zur Erhöhung der Genauigkeit einige Teile mit Methoden des Quantencomputings und andere mit Methoden des klassischen Computings bearbeitet werden.
„Eines der einzigartigsten Dinge an diesem Projekt ist die Anzahl der beteiligten Disziplinen“, sagt Dr. Raubenolt. „Die Expertise unseres Teams reicht von Computerbiologie und Chemie, Strukturbiologie, Software- und Automatisierungstechnik bis hin zu experimenteller Atom- und Kernphysik, Mathematik und natürlich Quanteninformatik und Algorithmendesign. Das Wissen aus jedem dieser Bereiche wurde genutzt, um ein Computer-Framework zu erstellen, das einen der wichtigsten Prozesse des menschlichen Lebens nachahmen kann.“
Die Kombination klassischer und Quantencomputermethoden durch das Team ist ein wesentlicher Schritt, um unser Verständnis von Proteinstrukturen und deren Einfluss auf unsere Fähigkeit, Krankheiten zu behandeln und vorzubeugen, zu verbessern. Das Team plant, weiterhin Quantenalgorithmen zu entwickeln und zu optimieren, die die Struktur größerer und komplexerer Proteine vorhersagen können.
„Diese Arbeit ist ein wichtiger Schritt vorwärts bei der Erforschung von Bereichen, in denen Quantencomputer ihre Stärken bei der Vorhersage von Proteinstrukturen zeigen könnten“, sagt Dr. Doga. „Unser Ziel ist es, Quantenalgorithmen zu entwickeln, die Proteinstrukturen so realistisch wie möglich vorhersagen können.“
Mehr Informationen:
Hakan Doga et al, Eine Perspektive zur Proteinstrukturvorhersage mit Quantencomputern, Zeitschrift für chemische Theorie und Berechnung (2024). DOI: 10.1021/acs.jctc.4c00067