Проблема ручного тюнинга в квантовой биологии
Гибридные квантово-классические методы предсказания структуры белков (protein structure prediction) часто упираются в необходимость ручной настройки весов штрафа в гамильтониане. Существующие подходы, основанные на решеточных моделях (lattice-based), обычно фиксируют эти коэффициенты вручную и тестируют лишь очень короткие фрагменты. Это ограничивает масштабируемость и точность симуляций, особенно при работе с шумными квантовыми процессорами.
Архитектура QFoldAgent: три агента, один цикл
Команда исследователей во главе с Уинсоном Ченом (Winson Chen) разработала QFoldAgent — замкнутую многоагентную систему для фолдинга пептидов из 5 аминокислот на тетраэдральной решетке. Система работает по принципу автономного управления:
- Design Agent (Агент проектирования): предлагает условия, зависящие от последовательности, для настройки штрафов.
- Quantum Pipeline: использует вариационный квантовый собственный решатель (VQE) в связке с симулятором Qiskit Aer, учитывающим шум, для оптимизации гамильтониана.
- Feedback Agent (Агент обратной связи): анализирует энергетический ландшафт и результаты валидации MolProbity, чтобы корректировать параметры штрафов в следующих итерациях.
Важно отметить, что метрики «земной истины» (ground-truth), такие как RMSD, не передаются агентам во время обучения, а используются исключительно для финальной оценки.
Результаты: снижение ошибки и рост валидности
Эксперименты проводились на двух наборах данных: 55 фрагментах из QDockBank с известными структурами и 100 новых, ранее не встречавшихся последовательностях. Внедрение замкнутого цикла управления привело к значимым улучшениям:
| Метрика | До QFoldAgent | После QFoldAgent | Примечание |
|---|---|---|---|
| Медианный RMSD (QDockBank) | 3.64 Å | 3.20 Å | Наибольший прирост на сложных мишенях |
| Структурная валидность (новые последовательности) | 87.5% | 98.7% | Восстановлено 87% изначально невалидных случаев |
| Энергия на 3-й итерации (лучший контроллер) | — | Улучшена у 87% последовательностей | При сохранении 96% благоприятной геометрии Рамачандрана |
Значение для отрасли
Результаты демонстрируют, что итеративное управление с помощью ИИ-агентов может систематически улучшать поведение оптимизации и снижать количество сбоев даже в ограниченной 5-резидуальной квантовой среде. Это открывает путь к более надежному использованию квантовых вычислений для сложных биомедицинских задач, где точность предсказания структуры критически важна для разработки лекарств.
Источник: arXiv cs.AI ↗