面向NISQ设备的蛋白质结构预测混合量子-AI框架
新兴技术
2025-10-09 v1
摘要
变分量子算法为蛋白质结构预测提供了一种直接的、基于物理的方法，但其准确性受限于当前噪声设备上生成的能量景观的粗分辨率。我们提出了一种混合框架，将量子计算与深度学习相结合，将结构预测表述为能量融合问题。候选构象通过在日本IBM 127量子比特超导处理器上执行的变分量子本征求解器(VQE)获得，该求解器定义了一个全局但低分辨率的量子能量面。为细化这些势阱，我们引入了由NSP3神经网络预测的二级结构概率和二面角分布作为统计势。这些附加项锐化了量子景观的谷值，产生了一个融合的能量函数，提高了有效分辨率并更好地区分了类天然结构。在75个蛋白质片段的375个构象上的评估显示，与AlphaFold3、ColabFold和仅量子预测相比，持续改进取得了统计显著性(p < 0.001)的均方根偏差(RMSD) 4.9 \AA。这些结果表明，能量融合提供了一种系统方法，将数据驱动模型与量子算法相结合，提高了近期量子计算在分子和结构生物学中的实际适用性。
引用
@article{arxiv.2510.06413,
title = {A Hybrid Quantum-AI Framework for Protein Structure Prediction on NISQ Devices},
author = {Yuqi Zhang and Yuxin Yang and Feixiong Chen and Cheng-Chang Lu and Nima Saeidi and Samuel L. Volchenboum and Junhan Zhao and Siwei Chen and Weiwen Jiang and Qiang Guan},
journal= {arXiv preprint arXiv:2510.06413},
year = {2025}
}
备注
20 pages, 6 figures