Mi is az mRNS, és miért fontos a hajtogatása?
Az mRNS a sejtekben a DNS-ből származó információt szállítja a riboszómákhoz, és meghatározza a fehérjék felépítését. Bár csak egyetlen aminosavláncból áll, szerkezete bonyolult: számos hajtogatási lehetőség adja meg azt a 3D alakot, amely végül az adott molekula működéséhez szükséges. Minél hosszabb az mRNS, annál drasztikusabban nő a lehetséges hajtogatási permutációk száma, ezért ezek előrejelzése valódi kihívás.
Jelenleg ilyen feladatoknál kombinált számítógépes modelleket és MI-t alkalmaznak (például Google DeepMind), de ezek csak kompromisszumok árán tudnak több száz vagy ezer nukleotidos szekvenciával foglalkozni. Ilyenkor például kihagyják a bonyolultabb szerkezeti elemeket, a pszeudocsomókat, amelyek azonban alapvető fontosságúak a valós hajtogatás szempontjából, így csökken az előrejelzések pontossága.
Kvantumugrás a szimulációban
A kísérlet során az IBM R2 Heron processzora dolgozott, a 156 kvantumbitból (qubit) 80-at használva. A szimuláció alapját egy pénzügyi és időjárási modellekből ismert variációs kvantumalgoritmus (CVaR-alapú VQA) adta, amely kifejezetten az ilyen összetett dinamikák kezelésében jeleskedik.
A korábbi rekord egy 42 nukleotidos lánc volt 2023-ban; most ezt sikerült 60-ra növelni. Ezzel a kutatók új szintre léptek a szimulációk pontosságában és hosszában: a rendszer zaja ellenére is működőképes eredményt kaptak, és további tesztekben elméletben akár 354 qubitig is el tudták vinni a folyamatot, ha megszűnne a kvantumszámítógépek zaja.
Mi következik ezután?
Minél több qubit működik párhuzamosan, és minél több algoritmus, illetve alprogram fut egyszerre, annál precízebben és hosszabb mRNS-láncok hajtogatását lehet szimulálni. Ehhez azonban egyre fejlettebb algoritmusokra és jobb kvantumhardverre lesz szükség, hogy a laboratóriumi eredmények a mindennapi fejlesztési folyamatok részévé válhassanak – például még hatékonyabb vakcinák készítésekor.
