IBM dan Modern telah mensimulasikan pola mRNA terpanjang tanpa AI – mereka menggunakan komputer kuantum sebagai gantinya
Para peneliti di IBM dan Modern telah berhasil menggunakan algoritma simulasi kuantum untuk memprediksi struktur protein sekunder kompleks dari 60-nukleotida sepanjang mRNA Urutan, yang terpanjang yang pernah disimulasikan pada a jumlah komputer.
Asam ribonukleat messenger (mRNA) adalah molekul yang membawa informasi genetik dari DNA ke ribosom. Ini mengarahkan sintesis protein dalam sel dan digunakan untuk Buat vaksin yang efektif mampu menghasut respons imun tertentu.
Dia Dipercaya secara luas bahwa semua informasi yang diperlukan untuk protein untuk mengadopsi konformasi tiga dimensi yang benar disediakan oleh urutan asam amino atau “lipat.”
Meskipun hanya terdiri dari satu untai asam amino, mRNA memiliki struktur protein sekunder yang terdiri dari serangkaian lipatan yang memberikan bentuk 3D spesifik molekul tertentu. Jumlah permutasi lipat yang mungkin meningkat secara eksponensial dengan masing -masing nukleotida yang ditambahkan. Ini membuat tantangan memprediksi apa bentuk molekul mRNA akan mengambil skala yang lebih tinggi.
Eksperimen IBM dan Moderna, diuraikan dalam a belajar Pertama kali diterbitkan untuk Konferensi Internasional IEEE 2024 tentang Komputasi dan Rekayasa Kuantum, menunjukkan bagaimana komputasi kuantum dapat digunakan untuk menambah metode tradisional untuk membuat prediksi tersebut. Secara tradisional, prediksi ini biasanya diandalkan biner, komputer klasik dan kecerdasan buatan (AI) Model seperti Google DeepMind's Alphafold.
Menurut sebuah studi baru yang diterbitkan 9 Mei di pracetak arxiv Database, algoritma yang mampu menjalankan arsitektur klasik ini dapat memproses urutan mRNA dengan “ratusan atau ribuan nukleotida,” tetapi hanya dengan mengecualikan fitur kompleksitas yang lebih tinggi seperti “pseudoknots.”
Pseudoknots adalah tikungan dan bentuk yang rumit dalam struktur sekunder molekul yang mampu terlibat dalam Interaksi internal yang lebih kompleks dari lipatan biasa. Melalui pengecualian mereka, akurasi potensial dari setiap model prediksi pelipatan protein secara fundamental terbatas.
Memahami dan memprediksi bahkan detail terkecil dari lipatan protein molekul mRNA adalah intrinsik untuk mengembangkan prediksi yang lebih kuat dan, sebagai hasilnya, Vaksin berbasis mRNA yang lebih efektif.
Para ilmuwan berharap untuk mengatasi keterbatasan yang melekat pada Superkomputer yang paling kuat dan model AI dengan menambah percobaan dengan teknologi kuantum. Para peneliti melakukan beberapa percobaan menggunakan algoritma simulasi kuantum yang mengandalkan qubit – Kuantum yang setara dengan bit komputer – untuk memodelkan molekul.
Awalnya hanya menggunakan 80 qubit (dari kemungkinan 156) di R2 heron Unit pemrosesan kuantum (QPU) ,, Tim menggunakan algoritma kuantum variasional berbasis nilai-at-risk kondisional (VQA berbasis CVAR)-algoritma optimasi kuantum yang dimodelkan setelah teknik tertentu yang digunakan untuk menganalisis interaksi kompleks seperti seperti penghindaran tabrakan Dan teknik penilaian risiko keuangan -Untuk memprediksi struktur protein sekunder dari urutan mRNA 6-nukleotida.
Yang terbaik sebelumnya untuk model simulasi berbasis kuantum, Menurut penelitianadalah urutan 42-nukleotida. Para peneliti juga meningkatkan percobaan dengan menerapkan teknik koreksi kesalahan terbaru untuk menangani kebisingan yang dihasilkan oleh fungsi kuantum.
Dalam studi preprint baru, tim sementara menunjukkan efektivitas paradigma eksperimental dalam menjalankan contoh simulasi dengan hingga 156 qubit untuk urutan mRNA hingga 60 nukleotida. Mereka juga melakukan penelitian pendahuluan yang menunjukkan potensi untuk mempekerjakan hingga 354 qubit untuk algoritma yang sama dalam pengaturan yang tidak berisik.
Seolah -olah, meningkatkan jumlah qubit yang digunakan untuk menjalankan algoritma, sambil menskalakan algoritma untuk subrutin tambahan, harus menyebabkan simulasi yang lebih akurat dan kemampuan untuk memprediksi urutan yang lebih lama, kata mereka.
Mereka mencatat, bagaimanapun, bahwa “metode ini mengharuskan pengembangan teknik canggih untuk menanamkan sirkuit spesifik masalah ini ke dalam perangkat keras kuantum yang ada,”-menunjukkan bahwa algoritma dan arsitektur pemrosesan yang lebih baik akan diperlukan untuk memajukan penelitian.
