Computadora cuántica resuelve un puzzle de proteínas

Tecnología

El físico y especialista en códigos Dr. Sandipan Mohanty ha estado trabajando en simulaciones de biología molecular para las supercomputadoras más rápidas del mundo durante 20 años. Tales simulaciones ayudan a desentrañar los componentes básicos de la vida y brindan nuevos conocimientos sobre la maquinaria celular.

Junto con investigadores de la Universidad de Lund de Suecia, ahora ha ido un paso más allá y ha llevado el problema del plegamiento de proteínas a una computadora cuántica. El algoritmo cuántico de D-Wave JUPSI de la instalación de usuarios de computadoras cuánticas JUNIQ en Forschungszentrum Jülich tiene más de 5000 qubits y es el primer dispositivo de este tamaño fuera de América del Norte. En una entrevista, Sandipan Mohanty da una idea del trabajo pionero.

¿Cuál fue la tarea que se propuso hacer, Dr. Sandipan Mohanty?
Diría que lo que realmente logramos es mostrar la viabilidad de las computadoras cuánticas para preguntas de investigación no triviales en nuestro campo. Las computadoras cuánticas son una tecnología bastante nueva y aún no está claro cómo programarlas cuando intentas resolver tareas científicas reales con estas nuevas máquinas. Por ejemplo, es bastante diferente de resolver el problema con la informática clásica de alto rendimiento.

Más específicamente, estudiamos con éxito el plegamiento de proteínas usando un modelo muy simple. Las proteínas son componentes importantes de la vida. Cumplen una amplia variedad de tareas. Estos incluyen, por ejemplo, el transporte de sustancias y la estructura celular. Y sólo pueden cumplir todas estas funciones si tienen una forma muy específica, que logran a través de un proceso llamado plegamiento de proteínas.

Una de las muchas razones por las que hay mucho interés en este proceso es la conexión entre las enfermedades neurodegenerativas como el Alzheimer o el Parkinson con el mal plegamiento de proteínas. Nuestra esperanza es que las computadoras cuánticas tengan ventajas importantes que mejorarán aún más nuestra comprensión de tales fenómenos.

¿Por qué el plegamiento de proteínas es tan computacionalmente intensivo?
Las proteínas son largas cadenas flexibles de aminoácidos. Una propiedad fascinante de estas moléculas es que una gran fracción de todas las proteínas se acumulan espontáneamente en formas tridimensionales muy específicas cuando las pones en una solución, piensa en el agua. Entonces, en principio, todo lo que necesitas saber es la secuencia de aminoácidos que forman una cadena de proteínas. Entonces, la cadena sabe automáticamente en qué forma tiene que doblarse.

Al modelar este proceso de plegado en una computadora, hay mucho que probar. Puedes pensar en ello como tratar de calcular todas las diferentes formas en que puede arreglar un collar, para buscar el “mejor” arreglo. Además, examinar cada arreglo también es computacionalmente muy costoso debido a la gran cantidad de partículas involucradas. Por lo general, esto significa millones de interacciones para calcular para cada disposición examinada.

¿Cómo funciona la computadora cuántica en comparación con una computadora digital clásica?
La tarea que resolvimos está a años de distancia en complejidad de los problemas que normalmente resolvemos con las supercomputadoras clásicas, donde las simulaciones atómicamente detalladas a gran escala son comunes. En la máquina D-Wave, usamos un modelo HP muy reducido. Esto simplifica enormemente el problema, conservando solo las características físicas esenciales mínimas del proceso de plegado. Ignoramos el medio circundante, dividimos los aminoácidos en solo dos tipos, aproximamos cada aminoácido en una sola bola que solo puede ocupar posiciones en una red. Debo señalar que a día de hoy, incluso con modelos tan simplificados, poder estudiar cadenas de 64 aminoácidos usando una computadora cuántica es un problema difícil, ¡lo que hace que nuestros resultados sean muy satisfactorios!

Las simulaciones correspondientes también se pueden llevar a cabo de forma clásica. Un cuaderno es suficiente para esto. El tiempo para el cálculo no difiere mucho, en ambos casos toma de uno a dos minutos. Sin embargo, este valor en realidad no tiene sentido. Mucho más importante es la calidad de los resultados. Y aquí, el recocido cuántico claramente funciona mejor.

Fue bastante fácil lograr una tasa de éxito del 100% al encontrar las estructuras de menor energía en JUPSI. Con las computadoras clásicas, por otro lado, las simulaciones comparables solo alcanzan el 80% para una cadena de 30 aminoácidos. Para las proteínas más complejas que consisten en bloques de 48 o 64 aminoácidos, lo hacen mucho peor, mientras que el recocido cuántico siempre produce aquí también el resultado correcto.

Ejemplo de estructura calculada de una cadena de 64 aminoácidos con la energía más baja conocida. Los símbolos llenos y abiertos indican elementos hidrofóbicos (H) y solubles en agua/polares (P) H y P, respectivamente. Crédito: A. Irbäck et al., Phys. Rev. Investigación, DOI: 10.1103/PhysRevResearch.4.043013 (CC BY 4.0)

¿Por qué la computadora cuántica es aquí más precisa que una computadora clásica?
Porque se beneficia de aspectos específicos del problema de investigación. El esfuerzo computacional requerido con las computadoras clásicas para tener en cuenta todas las conformaciones de proteínas relevantes es astronómicamente alto. Crece exponencialmente con la longitud de la cadena proteica. Con una cadena de dos partículas, quizás haya diez posibilidades. Con tres partículas, ya hay cien. Pero con 100 partículas, que todavía son bastante pocas para una proteína, habría que calcular miles de millones de veces más variaciones que átomos en el universo.

Para hacer cualquier cálculo significativo, se utilizan muchos trucos. Nuestro grupo en el JSC y mis colaboradores en Suecia se especializan en las llamadas simulaciones Monte Carlo. Es un procedimiento basado en física estadística y muestreo estocástico. Aunque se garantiza que las simulaciones infinitamente largas producirán resultados correctos, las ejecuciones cortas pueden tener grandes errores. En la práctica, se intenta realizar simulaciones “suficientemente largas”, de modo que los errores estimados sean aceptablemente pequeños. Aquí radica la ventaja del recocido cuántico.

Esta máquina puede, si está correctamente programada, realizar esta aproximación de forma muy directa a través de sus acoplamientos mecánicos cuánticos. Básicamente, es una especie de intrincado experimento de física que resuelve automáticamente la ecuación. En nuestro problema, parece tener el efecto de que se requieren tiempos de ejecución comparativamente más pequeños para obtener muy buenas respuestas. Sin embargo, el hecho de que funcione tan bien en la práctica nos sorprendió un poco.

¿Qué aplicaciones de perspectiva abre esto ahora para las computadoras cuánticas?
Nuestro trabajo marca sólo un primer paso. La mayoría de las computadoras cuánticas actuales tienen solo unos pocos qubits. El sistema D-Wave tiene 5000, que es mucho. Pero para la mayoría de los problemas de investigación, las aplicaciones fructíferas de las computadoras cuánticas necesitarían incluso más qubits. Todavía estamos muy lejos de simulaciones como las que se utilizan en la investigación de fármacos realizadas en supercomputadoras. Espero que tengamos que esperar dos o tres generaciones más de dispositivos antes de que podamos resolver tales problemas en una computadora cuántica.

Pero tengo esperanzas. En contraste con la investigación existente de la que aprendimos, nuestra formulación conserva su simplicidad a medida que aumenta el tamaño del sistema. Esto abre un posible camino más fluido para el estudio de problemas considerablemente más complejos en las computadoras cuánticas.

Esta entrevista es una traducción de otra publicada en Tech Xplore. Puedes leer el texto original haciendo clic aquí.

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *