Nature Computational Science | 量子计算生物学的实际应用( 四 ) ：NatureComputational

文章图片
图4.现代物理模型计算的一些小蛋白质的折叠结构
图片来源于Science,2012,338,1042-1046.
3.3转录因子-DNA结合
一个生物学相关的问题，可能是感兴趣的量子计算，是DNA中转录因子结合位点的鉴定。转录因子是基因表达调控的重要组成部分，但其在DNA分子中识别其功能结合位点，从而激活或抑制靶基因转录的机制尚不完全清楚。利用量子退火器件，解决了一个由单核苷酸序列特征组成的模型，该模型在分类性能上略有优势，对于相当小的训练数据集的排序性能几乎相同。这种方法是基于量子退火和机器学习相结合的方法，它允许人们根据结合亲和力对候选位点进行排序。该算法是在实际结合亲和实验中，得到的少量DNA序列简化数据集上，进行训练的。并与模拟退火、模拟量子退火、多元线性回归、套索和极端梯度增强等经典方法，进行了比较。此外，更强大的量子设备，将允许人们在更大的尺度上解决这个问题。
3.4DNA从头组装
高效和经济的计算解决方案，对于基因组装问题是必要的，以受益于不断增长的能力的测序机器。这个领域的一个特殊问题是在没有参考的情况下重建基因组，这被称为从头组装(见图5) 。由于基因融合和基因组重排是导致恶性肿瘤的常见原因，从头组装目前可用于转录组和癌症分析。重新装配的问题可以归结为找到一个哈密顿循环，即到图的每一个节点只运行一次并在起始节点结束的路径，包括装配中的每一个读取节点。在NP-完备集中，没有已知的有效算法可以找到哈密顿循环。
最近的研究表明，只要这个问题，能重新表述为QUBO问题，人们就可以用量子退火来解决它。特别是，量子增强基因组装配已被应用于一个关于噬菌体的?X174的问题(利用量子退火和经典量子退火) 。这一领域的进一步发展，需要克服现有量子硬件在大小和操作质量上的局限性。基于门的量子计算机，也可以应用于这个问题。特别地， Grover搜索作为近似匹配的子程序，也可以用于基因组学的错误读取和对DNA序列量子编码的多个解决方案的分布式搜索。在使用量子计算机改进基因组分析算法方面，这两个方向都有望取得进一步进展。

文章图片
图5.使用量子退火器和量子启发算法解决从头基因组组装问题
图片来源于https://arxiv.org/abs/2004.05078(Preprint,2021)

文章图片
表1.量子计算在计算生物学中的应用，以及NISQ和FTQC设备对一系列生物学相关问题的预期影响
展望与结论
量子计算设备有潜力解决计算生物学中出现的各种问题(表1) 。由于现有能力的限制，各种类型的量子设备，如数字量子计算机和量子退火器，可能被用于原型量子算法和解决计算问题在适度规模。然而，在量子化学或结构生物学中，解决现实的生物问题需要量子硬件，而量子硬件目前还不具备。
值得注意的是，量子算法与不断改进的经典方法竞争。因此，最好的选择可能是找到经典方法和量子方法之间的协同作用，量子算法将加速深深扎根于系统量子本质的部分问题。量子计算设备在计算生物学中的一些可能的应用，来自于量子计算与机器学习的结合。该领域的最新成果，包括使用近期量子设备从经典吉布斯分布采样，这可能与计算生物化学和基因组学模型相关。计算生物学中的量子计算和机器学习之间的协同作用似乎很有希望，特别是从AlphaFold应用的最新进展来看。计算生物学量子算法发展的下一个有趣阶段，是改进计算机辅助药物发现的计算方法。在这个领域，潜在的量子优势与量子化学和机器学习都相关。
新的量子算法的开发是量子信息技术的关键挑战之一，它需要量子物理学和计算科学界的共同努力。在计算生物学的情况下，保持原始的、生物动机的问题陈述，是至关重要的。特定领域的计算生物学和生物信息学算法，应该在这个特定领域的适用性进行测试。
参考文献
1.Fedorov,A.K.,Gelfand,M.S.Towardspracticalapplicationsinquantumcomputationalbiology.NatureComput.Sci.,2021,1,114-119.DOI:10.1038/s43588-021-00024-z.
2.Markus,R.,Nathan,W.,Krysta,M.S.,DaveW.,MatthiasT.Elucidatingreactionmechanismsonquantumcomputers.Proc.Natl.Acad.Sci.U.S.A.,2017,114,7555-7560.DOI:10.1073/pnas.1619152114.
3.Argüello-Luengo,J.,González-Tudela,A.,Shi,T.,Zoller,P.,Cirac,J.I.Analoguequantumchemistrysimulation.Nature,2019,574,215-218.DOI:10.1038/s41586-019-1614-4.