RNA پیام رسان (Messenger RNA) یا mRNA مولکولی است که اطلاعات ژنتیکی را از DNA به ریبوزوم ها منتقل می کند و فرآیند سنتز پروتیین را در سلول ها هدایت می کند. علاوه بر این، RNA پیام رسان در ساخت واکسن های مؤثری به کار می رود که می توانند واکنش های ایمنی را برانگیزند.

به طور گسترده پذیرفته شده که تمام اطلاعات لازم برای دستیابی یک پروتیین به ساختار سه بعدی صحیح، در توالی اسیدهای آمینه یا همان فرآیند تاخوردگی آن نهفته است. هرچند mRNA تنها از یک رشته اسید آمینه تشکیل شده، اما دارای ساختار ثانویه ای است که شامل مجموعه ای از تاخوردگی ها می شود و شکل سه بعدی خاص هر مولکول را تعیین می کند. با افزودن هر نوکلئوتید جدید، تعداد حالت های ممکن برای این تاخوردگی ها به شکل نمایی افزایش می یابد؛ این مسئله پیش بینی شکل نهایی مولکول mRNA را در مقیاس های بزرگ به یک چالش بسیار پیچیده و دشوار تبدیل می کند.

آزمایش مشترک IBM و مدرنا که نتایج آن نخستین بار در کنفرانس بین المللی 2024 رایانش و مهندسی کوانتومی IEEE منتشر شد، نشان می دهد چگونه می توان از رایانش کوانتومی برای تقویت روش های سنتی پیش بینی ساختار مولکول ها استفاده کرد. به طور معمول، این پیش بینی ها بر پایه رایانه های دودویی کلاسیک و مدل های هوش مصنوعی، مانند AlphaFold شرکت گوگل دیپ مایند، انجام می شود. الگوریتم هایی که روی این روش های کلاسیک اجرا می شوند می توانند توالی های mRNA با صدها یا هزاران نوکلئوتید را پردازش کنند، اما این کار تنها با حذف ویژگی های پیچیده تری مانند شبه گره ها امکان پذیر است.

شبه گره ها، پیچ وتاب ها و شکل های پیچیده ای در ساختار ثانویه مولکول هستند که می توانند وارد برهم کنش های داخلی پیشرفته تری نسبت به تاخوردگی های معمولی شوند. حذف این ویژگی ها، دقت بالقوه هر مدل پیش بینی تاخوردگی پروتیین را به شکل بنیادی محدود می کند. درک و پیش بینی دقیق ترین جزییات مربوط به تاخوردگی های پروتیینی مولکول mRNA برای ایجاد مدل های پیش بینی قوی تر و در نتیجه ساخت واکسن های مؤثرتر بر پایه mRNA اهمیت اساسی دارد.

دانشمندان امیدوارند با به کارگیری فناوری کوانتومی در کنار آزمایش های سنتی، بتوانند بر محدودیت های ذاتی قدرتمندترین ابررایانه ها و مدل های هوش مصنوعی غلبه کنند. در این پژوهش، محققان چندین آزمایش با استفاده از الگوریتم های شبیه سازی کوانتومی انجام دادند که برای مدل سازی مولکول ها به کیوبیت ها (معادل کوانتومی بیت های رایانه ای) متکی هستند.

در مرحله نخست، تیم پژوهشی تنها از 80 کیوبیت (از مجموع 156 کیوبیت موجود) در واحد پردازش کوانتومی R2 Heron استفاده کرد و یک الگوریتم بهینه سازی کوانتومی موسوم به الگوریتم کوانتومی واریاسیونی مبتنی بر ارزش در معرض خطر شرطی یا (CVaR-based VQA) را به کار گرفت. این الگوریتم که از برخی روش های تحلیل برهم کنش های پیچیده، مانند جلوگیری از برخورد در سامانه های ناوبری و ارزیابی ریسک مالی الهام گرفته، برای پیش بینی ساختار ثانویه پروتیینی یک توالی mRNA با طول 60 نوکلئوتید استفاده شد.

به گفته نویسندگان این پژوهش، رکورد پیشین شبیه سازی با استفاده از مدل کوانتومی، مربوط به یک توالی 42 نوکلئوتیدی بود. پژوهشگران در این آزمایش جدید، با بهره گیری از روش های تازه تصحیح خطا برای کاهش نویز ناشی از عملکردهای کوانتومی، مقیاس کار را گسترش دادند.

در مطالعه تازه که به صورت پیش انتشار منتشر شده، این تیم به طور آزمایشی نشان داد که الگوی تحقیقاتی آن ها توانایی اجرای شبیه سازی هایی با حداکثر 156 کیوبیت را برای توالی های mRNA تا طول 60 نوکلئوتید دارد. آن ها همچنین پژوهش های مقدماتی انجام دادند که پتانسیل استفاده از حداکثر 354 کیوبیت را برای اجرای همان الگوریتم ها در محیط های بدون نویز نشان می دهد.

به گفته محققان، افزایش تعداد کیوبیت های مورد استفاده در اجرای الگوریتم، همراه با مقیاس پذیری الگوریتم ها برای زیرروال بیشتر، می تواند به شبیه سازی های دقیق تر و توانایی پیش بینی توالی های طولانی تر منجر شود. با این حال، آن ها تأکید کردند که این روش ها مستلزم توسعه تکنیک های پیشرفته برای جای گذاری مدارهای ویژه این نوع مسائل در سخت افزار کوانتومی موجود هستند؛ این موضوعی نشان می دهد پیشرفت این تحقیقات به الگوریتم ها و معماری های پردازشی پیشرفته تر نیاز دارد.

منبع: خبرآنلاین