Marco de aprendizaje automático cuántico factible en hardware para el cribado virtual basado en estructuras | JoVE Visualize

Área de la Ciencia:

Computación cuántica
Química computacional
Descubrimiento de fármacos

Sus antecedentes:

La evaluación de la energía libre de unión de proteínas y ligandos es computacionalmente intensiva debido a las complejidades conformacionales y espaciales.
La computación clásica tiene dificultades con la explosión combinatoria de configuraciones en el cribado virtual.
La computación cuántica ofrece paralelismo inherente, lo que la convierte en una alternativa prometedora para simulaciones moleculares complejas.

Objetivo del estudio:

Desarrollar y evaluar un marco de aprendizaje automático cuántico para el cribado virtual basado en estructuras.
Diseñar un modelo optimizado para hardware cuántico a corto plazo, centrándose en un número mínimo de cúbits y circuitos poco profundos.
Evaluar el rendimiento predictivo del marco en condiciones cuánticas ideales, de disparos finitos y ruidosas.

Principales métodos:

Un marco de aprendizaje automático cuántico que codifica características moleculares en estados cuánticos.
Utilización de puertas cuánticas parametrizadas para procesar información molecular.
Implementación y optimización del modelo en PyTorch con consideraciones sobre el número de cúbits y la profundidad del circuito.
Prueba de la precisión predictiva mediante simulaciones ideales, muestreo de disparos finitos y simulaciones de ruido cuántico.

Principales resultados:

El modelo cuántico logró una desviación cuadrática media de 2,37 kcal/mol y un coeficiente de correlación de Pearson de 0,650 con seis unidades de circuito cuántico.
Las predicciones se mantuvieron estables con 100.000 disparos de medición, lo que indica compatibilidad con el hardware cuántico actual.
El ruido cuántico afectó ligeramente la precisión absoluta pero conservó la clasificación de las afinidades de los ligandos (coeficiente de correlación de Pearson estable).

Conclusiones:

El marco de aprendizaje automático cuántico propuesto proporciona un enfoque práctico y escalable para acelerar el cribado virtual.
El modelo demuestra solidez y poder predictivo adecuados para dispositivos cuánticos a corto plazo.
Este trabajo presenta una vía factible para aprovechar la computación cuántica en el descubrimiento de fármacos y la modelización molecular.