當(dāng)前位置：首頁 > 编程资源 > 编程问答 >内容正文

编程问答

[量子计算]一种用于蛋白质计算的结构化学量子计算算法。(QUANTUM ALGORITHMS FOR STRUCTURAL MOLECULAR BIOLOGY)

發(fā)布時(shí)間：2023/12/18 编程问答 30 豆豆

生活随笔收集整理的這篇文章主要介紹了 [量子计算]一种用于蛋白质计算的结构化学量子计算算法。(QUANTUM ALGORITHMS FOR STRUCTURAL MOLECULAR BIOLOGY) 小編覺得挺不錯(cuò)的,現(xiàn)在分享給大家,幫大家做個(gè)參考.

摘要

RQuanTech開發(fā)了一種創(chuàng)新算法，可用于結(jié)構(gòu)分子生物學(xué)應(yīng)用。

介紹

數(shù)十億年來，進(jìn)化過程優(yōu)化了構(gòu)成天然蛋白質(zhì)的氨基酸序列，以滿足制造它們的生物體的需要。所以我們問：我們可以使用計(jì)算來設(shè)計(jì)適合我們生物醫(yī)學(xué)和工業(yè)需求的非天然蛋白質(zhì)嗎？

這個(gè)問題是組合優(yōu)化問題，因?yàn)榈鞍踪|(zhì)設(shè)計(jì)計(jì)算的輸出是一系列氨基酸。由于天然存在的蛋白質(zhì)的多樣性，用天然存在的蛋白質(zhì)開始蛋白質(zhì)設(shè)計(jì)計(jì)算然后對其進(jìn)行修飾以實(shí)現(xiàn)所需功能是可能且非常有用的。這些可以形式化為加權(quán)鏈中的問題。我們可以用不同的特征代表每個(gè)氨基酸，蛋白質(zhì)由構(gòu)成它的氨基酸字符串表示。代表蛋白質(zhì)的鏈被分成子鏈，確定每個(gè)子串的質(zhì)量，并將質(zhì)量列表與蛋白質(zhì)數(shù)據(jù)庫進(jìn)行比較。這種技術(shù)的挑戰(zhàn)之一是處理非常大的字符串，這些字符串可能有幾個(gè)可能的子串。選擇的子串?dāng)?shù)對于良好的結(jié)果至關(guān)重要。同樣重要的是用于比較這些字母的評分函數(shù)，以找到最佳全局比對或兩個(gè)序列之間的最佳局部比對。不幸的是，要找到最能捕捉氨基酸類型之間相似性的評分函數(shù)的參數(shù)并不容易。這導(dǎo)致以取代矩陣的形式開發(fā)出許多類型的分?jǐn)?shù)，以期產(chǎn)生具有生物學(xué)意義的序列比對。另外，當(dāng)要比較的兩種蛋白質(zhì)之間的相似性低時(shí)，通常缺乏相應(yīng)序列比對的質(zhì)量。因此，序列比對技術(shù)通常是將蛋白質(zhì)分類為折疊或檢測同源性的差的方法，這兩者都是希望解決蛋白質(zhì)結(jié)構(gòu)預(yù)測問題的基本任務(wù)。已經(jīng)開發(fā)了許多方法來規(guī)避這些問題。

改進(jìn)這些方法的一種選擇涉及一次考慮多種氨基酸。這個(gè)想法導(dǎo)致了過去三十年來發(fā)展起來的“無對齊”方法的概念。序列比對方法以及最近的字符串內(nèi)核方法關(guān)鍵取決于評分或替換矩陣。那些取代矩陣基本上將氨基酸編碼為數(shù)值陣列，其中這些值來自參考比對（PAM和BLOSUM矩陣）的統(tǒng)計(jì)分析，或來自氨基酸的物理和化學(xué)性質(zhì)。雖然這些矩陣已經(jīng)用于折疊識別問題，但它們還沒有針對這樣的任務(wù)進(jìn)行優(yōu)化。已經(jīng)嘗試進(jìn)行這樣的優(yōu)化;然而，沒有一個(gè)超過了公認(rèn)的BLOSUM62矩陣。

在該領(lǐng)域可以實(shí)現(xiàn)的一個(gè)重要的潛在步驟是實(shí)現(xiàn)量子算法，其允許跳過上述生物計(jì)算方法中呈現(xiàn)的非多項(xiàng)式（NP）問題。

示例應(yīng)用

1在我們的提案（腳注）中，我們介紹了RQuanTech量子算法如何加速基于知識的統(tǒng)計(jì)力場的估計(jì)以及推導(dǎo)最終蛋白質(zhì)配置的成本函數(shù)。我們展示了幅度估計(jì)算法如何能夠大幅度減少高可信度估計(jì)結(jié)構(gòu)所需的步驟數(shù)。
對于蛋白質(zhì)結(jié)構(gòu)問題的建模，主要挑戰(zhàn)是樣本的潛在配置的指數(shù)數(shù)量。通常通過蒙特卡羅評估來搜索最佳配置。
量子計(jì)算承諾為各種任務(wù)提供算法加速，例如分解或優(yōu)化。
量子傅立葉算法與RQuanTech實(shí)現(xiàn)的Shor算法相結(jié)合，可以擴(kuò)展和推廣到函數(shù)優(yōu)化，幅度放大和估計(jì)，積分，基于量子行走的元素清晰度方法，以及馬爾可夫鏈算法等。特別地，幅度估計(jì)算法可以提供接近二次加速度以估計(jì)期望值，并且因此提供對經(jīng)典地使用蒙特卡羅方法的問題的加速。
RQuanTech提出了如何將量子計(jì)算用于蛋白質(zhì)結(jié)構(gòu)問題建模的新視角。我們結(jié)合眾所周知的量子技術(shù)，如振幅估計(jì)和蒙特卡羅量子算法與CABS粗粒蛋白模型。

蒙特卡羅方法論文的實(shí)施

正如我們在下圖中可以看到的那樣，本文提出了蒙特卡羅方法的實(shí)現(xiàn)，如圖所示：

CABS模型的抽樣方案。藍(lán)色面板顯示蒙特卡羅（MC）迭代（循環(huán)）的實(shí)現(xiàn)細(xì)節(jié)。橙色面板顯示可以在單個(gè)MC步驟中執(zhí)行的所有動(dòng)作。模擬被組織為一組嵌套循環(huán)，其中s個(gè)MC步驟被組織成y個(gè)循環(huán)，并且這些循環(huán)在退火循環(huán)中（a，y或s循環(huán)的數(shù)量可以由用戶控制） CABS-flex和CABS-dock獨(dú)立軟件包[72]）。在橙色面板中，數(shù)字1到5表示可用的移動(dòng)，與每個(gè)MC步驟中執(zhí)行移動(dòng)的嘗試次數(shù)一起顯示。得到的軌跡由在每個(gè)MC循環(huán)結(jié)束時(shí)保存的模擬快照組成。

RQUANTECH MONTECARLO實(shí)施

RQuanTech蒙特卡洛實(shí)施方式如下。
假設(shè)最優(yōu)結(jié)構(gòu)為P，P’是從k個(gè)樣本獲得的近似值。假設(shè)成本函數(shù)f（ST）的隨機(jī)變量以方差為界，即V [f（ST）] <λ2。那么估計(jì)P’是ε遠(yuǎn)離最優(yōu)的概率由切比雪夫的不等式確定
問題[| P’-P | ≥ε]≤λ2/kε2
因此，為了獲得恒定的成功概率，我們需要
k = O（λ2/ε2）
樣本估計(jì)加性誤差ε。量子算法的任務(wù)是改善從ε2到ε的ε依賴性，從而為給定誤差提供二次加速。
在我們提出量子算法之前，我們展示了如何將結(jié)構(gòu)值編碼為量子算法以及如何獲得與經(jīng)典算法相同的ε依賴性。然后，我們通過使用幅度估計(jì)的基本量子算法來顯示二次加速。

蒙特卡羅的量子算法

結(jié)論

我們已經(jīng)描述了用于蛋白質(zhì)結(jié)構(gòu)建模的量子算法。我們假設(shè)CABS的關(guān)鍵特征（其表示，力場和用于MC的運(yùn)動(dòng)的規(guī)模）是已知的，并且可以有效地準(zhǔn)備相應(yīng)的量子態(tài)。
此外，我們假設(shè)成本函數(shù)的有效可計(jì)算性。在這些假設(shè)下，我們展示了估計(jì)蛋白質(zhì)結(jié)構(gòu)所需樣本數(shù)量的二次加速，直到給定誤差：如果所需精度為ε，則經(jīng)典方法顯示樣本數(shù)量的1 /ε2依賴性，而RQuanTech量子算法顯示1 /ε依賴性。

進(jìn)一步的考慮因素

RQuanTech Quantum算法為與結(jié)構(gòu)生物學(xué)分子領(lǐng)域中經(jīng)常使用的組合算法相關(guān)的計(jì)算提供了顯著的加速。原則上，當(dāng)前的計(jì)算可以減少到更短的時(shí)間尺度，這將允許更多的結(jié)構(gòu)容量得到解決。
我們正在尋求與計(jì)算機(jī)輔助蛋白質(zhì)工程領(lǐng)域的最佳合作，以在實(shí)際環(huán)境中展示（試點(diǎn)）方法學(xué)的相關(guān)性。

總結(jié)

以上是生活随笔為你收集整理的[量子计算]一种用于蛋白质计算的结构化学量子计算算法。(QUANTUM ALGORITHMS FOR STRUCTURAL MOLECULAR BIOLOGY)的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。