論文の概要: Capturing Protein Free Energy Landscape using Efficient Quantum Encoding

• arxiv url: http://arxiv.org/abs/2510.15316v1
• Date: Fri, 17 Oct 2025 05:06:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-20 20:17:34.47919
• Title: Capturing Protein Free Energy Landscape using Efficient Quantum Encoding
• Title（参考訳）: 効率的な量子符号化によるタンパク質フリーエネルギーランドスケープのキャプチャ
• Authors: Ashwini Kannan, Jaya Vasavi Pamidimukkala, Avinash Dakshinamoorthy, Soham Bopardikar, Kalyan Dasgupta, Sanjib Senapati,
• Abstract要約: 本研究は, ペプチドおよび小タンパク質の折り畳み構造を予測するための, ターンベース符号化アルゴリズムを提案する。 我々は、3次元の面中心立方体格子上に折り畳み過程を符号化する目的関数からハミルトニアンを構築した。 最小エネルギーの折り畳み構成を特定するため,IBM 133量子ビットハードウェア上に実装された変分量子固有解器を用いる。
• 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 folding is one of the age-old biological problems that refers to the mechanism of understanding and predicting how a protein's linear sequence of amino acids folds into its specific three dimensional structure.This structure is critical, as a protein's functionality is inherently linked to its final folded form. Misfolding can lead to severe diseases such as Alzheimer's and cystic fibrosis, highlighting the biological and clinical importance of understanding protein folding mechanisms. This work presents a novel turn based encoding optimization algorithm for predicting the folded structures of peptides and small proteins. Our approach builds upon our previous research, where our objective function focused on hydrophobic collapse, a fundamental phenomenon underlying the protein folding process. In this work, we extend that framework by not only incorporating hydrophobic interactions but also including all non bonded interactions modeled using the Miyazawa Jernigan potential. We constructed a Hamiltonian from the defined objective function that encodes the folding process on a three dimensional face centered cubic lattice, offering superior packing efficiency and a realistic representation of protein conformations. This Hamiltonian is then solved using classical and quantum solvers to explore the vast conformational space of proteins. To identify the lowest-energy folded configurations, we utilize the Variational Quantum Eigensolver implemented on IBM 133 qubit hardware. The predicted structures are validated against experimental data using root mean square deviation as a metric and compared against classical simulated annealing and molecular dynamics simulation results. Our findings highlight the promise of hybrid classical and quantum approaches in advancing protein folding predictions, particularly for sequences with low homology.
• Abstract（参考訳）: タンパク質の折りたたみは、タンパク質の線形配列が、その3次元構造にどのように折りたたむかを理解し予測するメカニズムを指す、古くからある生物学的問題の一つである。この構造は、タンパク質の機能がその最終折りたたみ形式に本質的に関連しているため、非常に重要である。 ミスフォールディングはアルツハイマー病や嚢胞性線維症などの重篤な疾患を引き起こし、タンパク質の折り畳み機構の生物学的および臨床的重要性を強調している。 本研究は, ペプチドおよび小タンパク質の折り畳み構造を予測するための, ターンベース符号化アルゴリズムを提案する。 我々のアプローチは、タンパク質の折り畳みプロセスの基礎となる基本的な現象である疎水性崩壊に焦点を当てた、我々のこれまでの研究に基づいています。 本研究では, 疎水性相互作用を組み込むだけでなく, 宮沢エルニガンポテンシャルをモデルとしたすべての非結合相互作用を含むことにより, その枠組みを拡張した。 我々は、3次元の面中心立方体格子上に折り畳み過程を符号化する目的関数からハミルトニアンを構築し、より優れたパッキング効率とタンパク質配座の現実的な表現を提供する。 このハミルトニアンは古典的および量子的解法を用いて、タンパク質の広大なコンフォメーション空間を探索する。 最小エネルギーの折り畳み構成を特定するため,IBM 133量子ビットハードウェア上に実装された変分量子固有解器を用いる。 予測された構造は、ルート平均二乗偏差を指標として実験データに対して検証し、古典的擬似アニール法と分子動力学シミュレーションの結果と比較した。 本研究は,タンパク質の折り畳み予測,特に低相同性配列において,古典的および量子的ハイブリッドアプローチが期待できることを示す。

関連論文リスト

• Let Physics Guide Your Protein Flows: Topology-aware Unfolding and Generation [42.116704617358636]
  拡散に基づく生成モデルはタンパク質の設計に革命をもたらし、新しいタンパク質の創出を可能にした。 タンパク質を二次構造に展開する物理的動機付けのない非線形ノイズ発生過程を古典物理学に基礎として導入する。 次に、このプロセスとSE(3)上のフローマッチングパラダイムを統合し、高い忠実度を持つタンパク質のバックボーンの不変分布をモデル化する。
  論文  参考訳（メタデータ） (2025-09-29T18:31:22Z)
• Efficient Quantum Protein Structure Prediction with Problem-Agnostic Ansatzes [31.766020245733714]
  本稿では,問題に依存しないアンザッツを用いて,より効率的な量子タンパク質構造予測ワークフローを提案する。 アンザッツは、従来のコンピュータで効率的に計算できるエネルギーベースのコスト関数を最小限に抑えるために訓練されている。 最大26個のアミノ酸を持つタンパク質の集合に対して,ハードウェア効率の良いアンザッツをベンチマークし,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2025-09-22T18:00:07Z)
• Efficient Protein Ground State Energy Computation via Fragmentation and Reassembly [0.0]
  本稿では,既存の量子アルゴリズムを用いた量子シミュレーションを実現するための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して計算し、平均相対誤差が0.00469 pm 0.01071%$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。
  論文  参考訳（メタデータ） (2025-01-07T13:10:49Z)
• An approach to solve the coarse-grained Protein folding problem in a Quantum Computer [0.0]
  タンパク質の構造や酵素を理解することは、標的とした医薬品の設計、タンパク質関連疾患のメカニズムの解明、新規酵素の革新において重要な役割を担っている。 AIに基づくタンパク質構造予測手法の最近の進歩により、タンパク質の折り畳み問題はある程度解決されているが、配列の類似度が低いタンパク質の構造を決定する精度は限られている。 本研究では,より小さなタンパク質配列の構造を予測するために,ゲートベースの量子コンピュータ上で動作可能なターンベース符号化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-11-23T18:20:05Z)
• A Latent Diffusion Model for Protein Structure Generation [50.74232632854264]
  本稿では,タンパク質モデリングの複雑さを低減できる潜在拡散モデルを提案する。 提案手法は, 高い設計性と効率性を有する新規なタンパク質のバックボーン構造を効果的に生成できることを示す。
  論文  参考訳（メタデータ） (2023-05-06T19:10:19Z)
• 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)
• 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)
• EBM-Fold: Fully-Differentiable Protein Folding Powered by Energy-based Models [53.17320541056843]
  本研究では,データ駆動型生成ネットワークを用いたタンパク質構造最適化手法を提案する。 EBM-Foldアプローチは,従来のロゼッタ構造最適化ルーチンと比較して,高品質なデコイを効率よく生成できる。
  論文  参考訳（メタデータ） (2021-05-11T03:40:29Z)
• Transfer Learning for Protein Structure Classification at Low Resolution [124.5573289131546]
  タンパク質のクラスとアーキテクチャの正確な(geq$80%)予測を、低い(leq$3A)解像度で決定された構造から行うことができることを示す。 本稿では, 高速で低コストなタンパク質構造を低解像度で分類するための概念実証と, 機能予測への拡張の基礎を提供する。
  論文  参考訳（メタデータ） (2020-08-11T15:01:32Z)
• BERTology Meets Biology: Interpreting Attention in Protein Language Models [124.8966298974842]
  注目レンズを用いたタンパク質トランスフォーマーモデルの解析方法を示す。 注意はタンパク質の折りたたみ構造を捉え、基礎となる配列では遠く離れているが、三次元構造では空間的に近接しているアミノ酸を接続する。 また、注意とタンパク質構造との相互作用を三次元的に可視化する。
  論文  参考訳（メタデータ） (2020-06-26T21:50:17Z)

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。