Καλή η τεχνητή νοημοσύνη, όμως οι κβαντικοί υπολογιστές είναι καλύτεροι και δε βάζουν σε κίνδυνο τις δουλειές όλων μας. Μια ομάδα ερευνητών από την IBM και την Moderna, έτρεξαν με επιτυχία έναν αλγόριθμο κβαντικής προσομοίωσης, ώστε να προβλέψουν τη σύνθετη δευτεροταγή πρωτεϊνική δομή μιας αλληλουχίας mRNA μήκους 60 νουκλεοτιδίων , τη μεγαλύτερη που έχει προσομοιωθεί ποτέ σε κβαντικό υπολογιστή.
Το αγγελιοφόρο ριβονουκλεϊκό οξύ (mRNA) είναι ένα μόριο που μεταφέρει γενετικές πληροφορίες από το DNA στα ριβοσώματα. Είναι αυτό που κατευθύνει την πρωτεϊνοσύνθεση στα κύτταρα, για αυτό και χρησιμοποιείται τελευταία για τη δημιουργία εμβολίων, που προκαλούν συγκεκριμένες ανοσολογικές αποκρίσεις.
Πιστεύεται ευρέως ότι όλες οι πληροφορίες που απαιτούνται για να υιοθετήσει μια πρωτεΐνη τη σωστή τρισδιάστατη διαμόρφωση παρέχονται από την αλληλουχία αμινοξέων της ή «αναδίπλωση».
Η πρόβλεψη του τρόπου με τον οποίο μια αλληλουχία mRNA θα διπλωθεί, είναι τρομερά δύσκολη, αφού οι πιθανοί συνδυασμοί αυξάνονται εκθετικά με κάθε επιπλέον νουκλεοτίδιο που προστίθεται.
Το πείραμα της IBM και της Moderna, το οποίο περιγράφεται σε μια μελέτη που δημοσιεύθηκε για πρώτη φορά στο Διεθνές Συνέδριο IEEE για την Κβαντική Υπολογιστική και Μηχανική του 2024, κατέδειξε πώς η κβαντική υπολογιστική μπορεί να χρησιμοποιηθεί για να ενισχύσει τις παραδοσιακές μεθόδους για την πραγματοποίηση τέτοιων προβλέψεων.
Όταν λέμε για παραδοσιακές μεθόδους, μιλάμε για τυπικούς υπολογιστές, που τρέχουν μοντέλα τεχνητής νοημοσύνης, όπως το AlphaFold της Google DeepMind.
Σύμφωνα με την νέα μελέτη, αλγόριθμοι που μπορούν να εκτελούνται σε αυτές τις κλασσικές αρχιτεκτονικές, μπορούν να επεξεργαστούν αλληλουχίες mRNA με «εκατοντάδες ή χιλιάδες νουκλεοτίδια», αλλά μόνο εξαιρώντας χαρακτηριστικά υψηλότερης πολυπλοκότητας όπως οι «ψευδοκόμβοι».
Οι ψευδοκόμβοι είναι περίπλοκες στροφές και σχήματα στη δευτεροταγή δομή ενός μορίου που είναι ικανά να εμπλέκονται σε πιο σύνθετες εσωτερικές αλληλεπιδράσεις από τις συνηθισμένες πτυχές. Όμως, λόγω του αποκλεισμού τους, η ακρίβεια της πρόβλεψης αναδιπλώσεων, είναι αρκετά περιορισμένη.
Η κατανόηση και η πρόβλεψη ακόμη και των μικρότερων λεπτομερειών των πρωτεϊνικών πτυχών ενός μορίου mRNA είναι εγγενής στην ανάπτυξη ισχυρότερων προβλέψεων, ώστε να έχουμε πιο ακριβή και πιο αποτελεσματικά εμβόλια που βασίζονται στο mRNA.
Οι ερευνητές διεξήγαγαν πολλαπλά πειράματα χρησιμοποιώντας αλγόριθμους κβαντικής προσομοίωσης που βασίζονταν σε qubits, το κβαντικό ισοδύναμο ενός bit υπολογιστή, για να μοντελοποιήσουν μόρια.
Σημάδια ενός σπάνιου τύπου καρκίνου μπορεί να κρύβονται στη φωνή σας
Αρχικά, χρησιμοποίησαν μόνο 80 qubits, από τα πιθανά 15, που διαθέτει η μονάδα κβαντικής επεξεργασίας R2 Heron (QPU). Έτσι, η ομάδα φόρτισε έναν κβαντικό αλγόριθμο CVaR-based VQA (Conditional Value-at-Risk Variational Quantum Algorithm). αλγόριθμος αυτός, εμπνευσμένος από τεχνικές που χρησιμοποιούνται στην αποφυγή συγκρούσεων και στην ανάλυση χρηματοοικονομικού ρίσκου, επέτρεψε την πρόβλεψη της δευτεροταγούς δομής μιας αλληλουχίας 60 νουκλεοτιδίων. Το προηγούμενο ρεκόρ για κβαντική προσομοίωση ήταν μόλις 42 νουκλεοτίδια.
Οι ερευνητές κλιμάκωσαν το πείραμα στα 156 qubits, εφαρμόζοντας νέες τεχνικές διόρθωσης σφαλμάτων, ώστε να αντιμετωπίσουν τον θόρυβο που παράγεται από τις κβαντικές συναρήσεις.
Σε μελέτη η ομάδα αποδεικνύει την αποτελεσματικότητα του πειράματος, στην εκτέλεση προσομοιωμένων στιγμιότυπων μέχρι και 156 qubits, για αλληλουχίες mRNA μέχρι και 60 νουκλεοτιδίων. Παράλληλα, διεξήγαναν προκαταρκτική έρευνα που αποδεικνύει τη δυνατότητα χρήσης μέχρι και 354 qubits, για τους ίδιους αλγόριθμους, σε συνθήκες χωρίς θόρυβο.
Σύμφωνα με τους ερευνητές, η αύξηση του αριθμού των qubits και η βελτίωση των αλγορίθμων, θα μας επιτρέψουν να προσομοιώνουμε πολύ μεγαλύτερες και πιο πολύπλοκες αλληλουχίες. Σημείωσαν, ωστόσο, ότι «αυτές οι μέθοδοι απαιτούν την ανάπτυξη προηγμένων τεχνικών για την ενσωμάτωση αυτών των κυκλωμάτων που αφορούν συγκεκριμένα προβλήματα στο υπάρχον κβαντικό υλικό», υποδεικνύοντας ότι θα χρειαστούν καλύτεροι αλγόριθμοι και αρχιτεκτονικές επεξεργασίας για την προώθηση της έρευνας.
Η μελέτη δημοσιεύθηκε στο ArXiv.
Ακολουθήστε το Techmaniacs.gr στο Google News για να διαβάζετε πρώτοι όλα τα τεχνολογικά νέα. Ένας ακόμα τρόπος να μαθαίνετε τα πάντα πρώτοι είναι να προσθέσετε το Techmaniacs.gr στον RSS feeder σας χρησιμοποιώντας τον σύνδεσμο: https://techmaniacs.gr/feed/.
