論文の概要: Efficient Protein Ground State Energy Computation via Fragmentation and Reassembly

• arxiv url: http://arxiv.org/abs/2501.03766v2
• Date: Wed, 12 Feb 2025 12:46:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-13 15:57:39.685021
• Title: Efficient Protein Ground State Energy Computation via Fragmentation and Reassembly
• Title（参考訳）: フラグメンテーションと再集合による高効率タンパク質基底エネルギー計算
• Authors: Laia Coronas Sala, Parfait Atchade-Adelemou,
• Abstract要約: 本稿では,既存の量子アルゴリズムを用いて量子シミュレーションを実現する新しい手法を提案する。 我々のアプローチでは、タンパク質を対応するアミノ酸に分解し、それらを個別にシミュレートし、その後再組み立てする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Protein characterization is one of the key components for understanding the human body and advancing drug discovery processes. While the future of quantum hardware holds the potential to accurately characterize these molecules, current efforts focus on developing strategies to fragment larger molecules into computationally manageable subsystems. In this work, we propose a novel strategy to enable quantum simulation using existing quantum algorithms. Our approach involves fragmenting proteins into their corresponding amino acids, simulating them independently, and then reassembling them post-simulation while applying chemical corrections. This methodology demonstrates its accuracy by calculating the ground state energy of relatively small peptides through reassembling, achieving a mean relative error of only $0.00768 \pm 0.01681\%$. Future directions include investigating, with larger quantum computers, whether this approach remains valid for larger proteins.
• Abstract（参考訳）: タンパク質のキャラクタリゼーションは、人体を理解し、薬物発見プロセスを進めるための重要な要素の1つである。 量子ハードウェアの将来は、これらの分子を正確に特徴づける可能性を秘めているが、現在の取り組みは、より大きな分子を計算的に管理可能なサブシステムに分解する戦略の開発に注力している。 本研究では,既存の量子アルゴリズムを用いて量子シミュレーションを実現する新しい手法を提案する。 我々のアプローチでは、タンパク質を対応するアミノ酸に分解し、それらを個別にシミュレートし、化学修飾を施した後に再組み立てする。 この手法は, 比較的小さなペプチドの基底状態エネルギーを再集合により計算し, 平均相対誤差が0.00768 \pm 0.01681\%$であることを示す。 将来的には、より大きな量子コンピュータで、このアプローチがより大きなタンパク質に対して有効かどうかを調査する予定である。

関連論文リスト

• Are Molecules Magical? Non-Stabilizerness in Molecular Bonding [50.24983453990065]
  分離原子と平衡状態の分子は、量子計算複雑性の観点からは単純であると推定される。 化学結合の形成過程は電子基底状態の量子的複雑さの顕著な増大を伴うことを示す。
  論文  参考訳（メタデータ） (2025-04-09T08:14:27Z)
• De Novo Design of Protein-Binding Peptides by Quantum Computing [44.99833362998488]
  我々は、原子的に解決された予測のために古典的および量子コンピューティングを統合するマルチスケールフレームワークを導入する。 D-Wave量子アニールは、実験とよく相関する一次構造と結合ポーズを持つ化学的に多様なバインダーの集合を急速に生成する。
  論文  参考訳（メタデータ） (2025-03-07T14:31:14Z)
• Characterizing conical intersections of nucleobases on quantum computers [3.938743052376337]
  超伝導量子コンピュータを用いて, 生体分子シトシン中の円錐交叉(CI)の量子シミュレーションを行った。 我々は、縮約量子固有解法(CQE)を用いて、円錐交叉に付随する近接縮退基底と励起状態を計算する。
  論文  参考訳（メタデータ） (2024-10-24T17:00:26Z)
• Machine-learned molecular mechanics force field for the simulation of protein-ligand systems and beyond [33.54862439531144]
  生体分子シミュレーションとコンピュータ支援薬物設計には, 信頼性および分子力学(MM)力場の開発が不可欠である。 本稿では、一般化された機械学習型MM力場、ttexttespaloma-0.3、およびグラフニューラルネットワークを用いたエンドツーエンドの微分可能なフレームワークを紹介する。 力場は、小さな分子、ペプチド、核酸を含む薬物発見に非常に関係した化学ドメインの量子化学エネルギー特性を再現する。
  論文  参考訳（メタデータ） (2023-07-13T23:00:22Z)
• State-specific protein-ligand complex structure prediction with a multi-scale deep generative model [68.28309982199902]
  タンパク質-リガンド複合体構造を直接予測できる計算手法であるNeuralPLexerを提案する。 我々の研究は、データ駆動型アプローチがタンパク質と小分子の構造的協調性を捉え、酵素や薬物分子などの設計を加速させる可能性を示唆している。
  論文  参考訳（メタデータ） (2022-09-30T01:46:38Z)
• A perspective on the current state-of-the-art of quantum computing for drug discovery applications [43.55994393060723]
  量子コンピューティングは、現在不可能な計算に到達することで、化学研究の多くの分野における計算能力をシフトすることを約束する。 我々は、最先端量子アルゴリズムのスケーリング特性を簡潔に要約し、比較する。 医薬学的に相関するタンパク質-ドラッグ複合体の、徐々に大きな埋め込み領域をシミュレートする量子計算コストの新たな見積もりを提供する。
  論文  参考訳（メタデータ） (2022-06-01T15:05:04Z)
• Learning Geometrically Disentangled Representations of Protein Folding Simulations [72.03095377508856]
  この研究は、薬物標的タンパク質の構造的アンサンブルに基づいて生成ニューラルネットワークを学習することに焦点を当てている。 モデル課題は、様々な薬物分子に結合したタンパク質の構造的変動を特徴付けることである。 その結果,我々の幾何学的学習に基づく手法は,複雑な構造変化を生成するための精度と効率の両方を享受できることがわかった。
  論文  参考訳（メタデータ） (2022-05-20T19:38:00Z)
• Accurate Machine Learned Quantum-Mechanical Force Fields for Biomolecular Simulations [51.68332623405432]
  分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。 近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。 本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
  論文  参考訳（メタデータ） (2022-05-17T13:08:28Z)
• A Scalable Approach to Quantum Simulation via Projection-based Embedding [0.0]
  分子の電子構造のサブドメインを量子デバイス上で正確に計算できる新しい、化学的に直感的なアプローチについて述べる。 本手法は,量子コンピュータ上では十分にシミュレートできないが,より低い近似レベルで古典的に解ける分子に対して,改良された結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-03-02T14:27:44Z)
• Quantum Causal Unravelling [44.356294905844834]
  我々は,多部量子プロセスにおける相互作用の因果構造を明らかにするための,最初の効率的な方法を開発した。 我々のアルゴリズムは、量子プロセストモグラフィーの技法で効率的に特徴付けることができるプロセスを特定するのに利用できる。
  論文  参考訳（メタデータ） (2021-09-27T16:28:06Z)
• Computing molecular excited states on a D-Wave quantum annealer [52.5289706853773]
  分子系の励起電子状態の計算にD波量子アニールを用いることを実証する。 これらのシミュレーションは、太陽光発電、半導体技術、ナノサイエンスなど、いくつかの分野で重要な役割を果たしている。
  論文  参考訳（メタデータ） (2021-07-01T01:02:17Z)
• A perspective on scaling up quantum computation with molecular spins [0.0]
  化学設計により、各分子単位に非自明な量子関数を埋め込むことができる。 我々は、オンチップ超伝導共振器との結合により、この目標を達成する方法について論じる。
  論文  参考訳（メタデータ） (2021-05-03T07:11:36Z)
• Counteracting dephasing in Molecular Nanomagnets by optimized qudit encodings [60.1389381016626]
  分子ナノマグネットは、Quditベースの量子誤り訂正符号の実装を可能にする。 分子キューディットに符号化された量子情報を破損させるエラーの微視的理解が不可欠である。
  論文  参考訳（メタデータ） (2021-03-16T19:21:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。