Filter by input type
Select all
News
Pages
Events
Filter by category
Select all
AI ANALYTICS
Mobile Apps and Internet of Things
Advancement of science
big data
Connected communities
Coronavirus
Courses and training
DIAGNOSIS
Initial Editorial
Editorials
A world in the cloud
Events
Infographics
Artificial Intelligence and Science
IoT Apps
News
Digital platforms
Social networks
Review of scientific publications
Course Summary
Synopsis of essay
Overview of reference frames
Synopsis of recent publications
Use of Digital Platforms
Cleveland Clinic e IBM exploran la computación cuántica para la predicción de estructuras de proteínas

La colaboración entre ambas organizaciones concentra sus esfuerzos en la combinación de métodos cuánticos y clásicos para alcanzar nuevos avances médicos.

Investigadores de Cleveland Clinic e IBM han publicado hallazgos innovadores sobre el potencial de la computación cuántica en la predicción de estructuras de proteínas. Esta colaboración, detallada en Journal of Chemical Theory and Computation, marca el primer artículo revisado por pares de la asociación Cleveland Clinic y IBM, Discovery Accelerator.

Durante décadas, los científicos han utilizado métodos computacionales para predecir las estructuras de las proteínas, las cuales son cruciales para comprender los mecanismos de las enfermedades y desarrollar nuevas terapias y terapias personalizadas. Las proteínas se pliegan en formas específicas, lo que determina su función e interacción con otras moléculas, influyendo en diversos aspectos de la salud humana.

Las técnicas tradicionales de machine learning han mejorado la predicción de estructuras de proteínas, pero están limitadas por su dependencia de amplias bases de datos de estructuras proteicas conocidas. Esta limitación reduce la precisión cuando se predicen estructuras de proteínas mutadas o novedosas, lo que es común en los trastornos genéticos.

Por ello, un equipo del Discovery Accelerator liderado por el Dr. Bryan Raubenolt de Cleveland Clinic y el Dr. Hakan Doga de IBM, exploraron el uso de un enfoque híbrido cuántico-clásico. El equipo de investigación, exploró un enfoque híbrido que combina la computación cuántica y clásica. Este método aborda las limitaciones de las simulaciones clásicas, especialmente para proteínas más grandes donde las búsquedas exhaustivas son difíciles de poner en práctica.

El equipo utilizó con éxito algoritmos cuánticos para predecir el plegamiento de un pequeño fragmento de una proteína del virus Zika, logrando resultados que superaron los métodos clásicos y AlphaFold2. Este marco permite que la computación cuántica maneje los aspectos más desafiantes, como el tamaño de las proteínas y la física compleja del plegamiento, mientras que los métodos clásicos finalizan la estructura.

El proceso involucró el uso de algoritmos cuánticos para modelar las conformaciones de energía más baja de la columna vertebral de la proteína, una tarea intensiva en computación. Los métodos clásicos luego refinaron estos resultados, reconstruyendo la proteína con cadenas laterales y aplicando campos de fuerza de mecánica molecular.

Este proyecto resalta la necesidad de colaboración multidisciplinaria, involucrando expertos en biología computacional, química, biología estructural, ingeniería de software, física experimental, matemáticas y computación cuántica.  Asimismo, el éxito de este marco híbrido es un paso importante hacia la comprensión de las estructuras de las proteínas. El equipo planea desarrollar y optimizar algoritmos cuánticos para predecir proteínas más grandes y complejas, potencialmente revolucionando el tratamiento y la prevención de enfermedades.

Related Content

Secured By miniOrange