論文の概要: How to use quantum computers for biomolecular free energies

• arxiv url: http://arxiv.org/abs/2506.20587v1
• Date: Wed, 25 Jun 2025 16:27:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-26 21:00:42.847374
• Title: How to use quantum computers for biomolecular free energies
• Title（参考訳）: 量子コンピュータの生体分子自由エネルギー利用法
• Authors: Jakob Günther, Thomas Weymuth, Moritz Bensberg, Freek Witteveen, Matthew S. Teynor, F. Emil Thomasen, Valentina Sora, William Bro-Jørgensen, Raphael T. Husistein, Mihael Erakovic, Marek Miller, Leah Weisburn, Minsik Cho, Marco Eckhoff, Aram W. Harrow, Anders Krogh, Troy Van Voorhis, Kresten Lindorff-Larsen, Gemma Solomon, Markus Reiher, Matthias Christandl,
• Abstract要約: 自由エネルギー計算は物理学に基づく生化学プロセスの分析の中心にある。 本稿では, サブストラクチャで得られた正確な量子力学データを, 機械学習による生体分子複合体全体のポテンシャルエネルギーに連続的に関連付ける方法を示す。
• 参考スコア（独自算出の注目度）: 2.7113856644674037
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Free energy calculations are at the heart of physics-based analyses of biochemical processes. They allow us to quantify molecular recognition mechanisms, which determine a wide range of biological phenomena from how cells send and receive signals to how pharmaceutical compounds can be used to treat diseases. Quantitative and predictive free energy calculations require computational models that accurately capture both the varied and intricate electronic interactions between molecules as well as the entropic contributions from motions of these molecules and their aqueous environment. However, accurate quantum-mechanical energies and forces can only be obtained for small atomistic models, not for large biomacromolecules. Here, we demonstrate how to consistently link accurate quantum-mechanical data obtained for substructures to the overall potential energy of biomolecular complexes by machine learning in an integrated algorithm. We do so using a two-fold quantum embedding strategy where the innermost quantum cores are treated at a very high level of accuracy. We demonstrate the viability of this approach for the molecular recognition of a ruthenium-based anticancer drug by its protein target, applying traditional quantum chemical methods. As such methods scale unfavorable with system size, we analyze requirements for quantum computers to provide highly accurate energies that impact the resulting free energies. Once the requirements are met, our computational pipeline FreeQuantum is able to make efficient use of the quantum computed energies, thereby enabling quantum computing enhanced modeling of biochemical processes. This approach combines the exponential speedups of quantum computers for simulating interacting electrons with modern classical simulation techniques that incorporate machine learning to model large molecules.
• Abstract（参考訳）: 自由エネルギー計算は物理学に基づく生化学プロセスの分析の中心にある。 分子認識機構を定量化することで、細胞がどのようにシグナルを送受信するかから、病気の治療に医薬化合物をどう使うかまで、幅広い生物学的現象を定量化できます。 定量的で予測的な自由エネルギー計算は、分子間の様々な電子相互作用と複雑な電子相互作用の両方を正確に捉える計算モデルと、これらの分子の運動とその水環境からのエントロピー的寄与を必要とする。 しかし、正確な量子力学エネルギーと力は、大きな生体高分子ではなく、小さな原子モデルでのみ得られる。 本稿では, サブストラクチャで得られた正確な量子力学データを, 機械学習による生体分子複合体の全体ポテンシャルエネルギーに連続的に関連付ける方法を示す。 我々は、最内側の量子コアを非常に高い精度で処理する2倍の量子埋め込み戦略を用いる。 本稿では, 従来の量子化学的手法を用いて, ルテニウム系抗がん剤のタンパク質標的による分子認識の可能性を示す。 このような方法がシステムサイズと好ましくないため、量子コンピュータの要求を分析し、結果として生じる自由エネルギーに影響を与える高精度なエネルギーを提供する。 要件を満たすと、計算パイプラインFreeQuantumは、量子計算エネルギーの効率的な利用を可能にし、量子コンピューティングが生化学プロセスのモデリングを強化します。 このアプローチは、相互作用する電子をシミュレートする量子コンピュータの指数的なスピードアップと、機械学習を応用して大きな分子をモデル化する現代の古典的なシミュレーション技術を組み合わせる。

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)
• Molecular Quantum Transformer [0.0]
  分子量子変換器(MQT)は、全ての構成の基底状態エネルギーを効率的に計算できる。 提案手法は, 既存の量子アルゴリズムの代替として, 基底状態エネルギーを推定する。
  論文  参考訳（メタデータ） (2025-03-27T16:54:15Z)
• Proof-of-concept Quantum Simulator based on Molecular Spin Qudits [39.28601213393797]
  分子キューディットと高周波ブロードバンド分光計のアンサンブルに基づく最初の量子シミュレータについて述べる。 結果は、量子技術における分子スピン四重項の実際の利用に向けた重要なステップである。
  論文  参考訳（メタデータ） (2023-09-11T16:33:02Z)
• 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)
• Quantum Computing for Molecular Biology [2.1839191255085995]
  量子計算が分子生物学の量子基礎の実用性をいかに前進させるかについて論じる。 生体分子の電子構造における典型的な量子力学的問題について議論する。
  論文  参考訳（メタデータ） (2022-12-23T09:23:04Z)
• 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)
• Recompilation-enhanced simulation of electron-phonon dynamics on IBM Quantum computers [62.997667081978825]
  小型電子フォノン系のゲートベース量子シミュレーションにおける絶対的資源コストについて考察する。 我々は、弱い電子-フォノン結合と強い電子-フォノン結合の両方のためのIBM量子ハードウェアの実験を行う。 デバイスノイズは大きいが、近似回路再コンパイルを用いることで、正確な対角化に匹敵する電流量子コンピュータ上で電子フォノンダイナミクスを得る。
  論文  参考訳（メタデータ） (2022-02-16T19:00:00Z)
• Coarse grained intermolecular interactions on quantum processors [0.0]
  我々は、弱い相互作用する分子の基底状態を決定するのに理想的な電子応答の粗い粒度の表現を開発する。 本手法はIBM超伝導量子プロセッサ上で実証する。 我々は、現在の世代の量子ハードウェアは、弱い拘束力を持つが、それでも化学的にユビキタスで生物学的に重要な体制でエネルギーを探索することができると結論付けている。
  論文  参考訳（メタデータ） (2021-10-03T09:56:47Z)
• Information Scrambling in Computationally Complex Quantum Circuits [56.22772134614514]
  53量子ビット量子プロセッサにおける量子スクランブルのダイナミクスを実験的に検討する。 演算子の拡散は効率的な古典的モデルによって捉えられるが、演算子の絡み合いは指数関数的にスケールされた計算資源を必要とする。
  論文  参考訳（メタデータ） (2021-01-21T22:18:49Z)

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。