Die Vorhersage der dreidimensionalen Struktur eines bestimmten Proteins allein auf der Grundlage der Aminosäurensequenz ist ein wichtiges Problem in der Arzneimittelforschung und der computergestützten Biologie. Auch wenn die jüngsten Durchbrüche bei auf künstlicher Intelligenz basierenden Modellen, wie z. B. DeepMinds AlphaFold, eine Fülle von Strukturen verfügbar gemacht haben, entzieht sich ein erheblicher Teil der Proteine immer noch diesen Ansätzen. Insbesondere Proteine mit begrenzten Trainingsdaten oder Konformationsänderungen während der Bindung stellen immer noch erhebliche Hürden dar.
Im Gegensatz dazu sind physikbasierte Ansätze zwar nicht auf diese Probleme beschränkt, hinken aber immer noch hinterher. Ein Teil des Problems ergibt sich aus dem exponentiell großen Raum möglicher Konfigurationen selbst für kleinere Peptide. Darüber hinaus sind diese Konfigurationen oft durch hohe Energiebarrieren getrennt, was dazu führt, dass klassische Heuristiken, welche die Konfiguration mit der kleinsten Energie bestimmen sollten, oft in lokalen Minima gefangen sind. Die Quantenoptimierung verspricht eine neuartige Lösung für dieses Problem, indem sie hohe Energiebarrieren über den Quanten-Tunneleffekt überwindet. Allerdings sind die derzeitig verfügbaren Quantencomputer noch nicht weit genug entwickelt, um die Darstellung des gesamten Proteins auf atomarer Ebene zu bewältigen. Sind diese Computer dennoch in der Lage, die grobe Struktur von Proteinen vorherzusagen? Wie schneidet aktuelle Quantenhardware im Vergleich zu etablierten klassischen Lösungsalgorithmen ab?
Themen des Vortrags:
Quantenoptimierung durch Quantenannealing
Proteinfaltung als Optimierungsproblem
Kodierung der Proteinfaltung für NISQ-Hardware
Energielandschaften und Spinüberlappungsverteilung
Vergleich mit klassischen Lösern
