Hittills, mycket har uttalats om löftet om kvantberäkning för otaliga applikationer men det har funnits få exempel på en kvantfördel för verkliga problem av praktiskt intresse. Detta kan förändras med en ny studie från USC Center for Quantum Information Science &Technology vid Viterbi School of Engineering och USC Dana och David Dornsife College of Arts, Brev och vetenskaper. Forskarna Richard Li, Rosa Di Felice, Remo Rohs, och Daniel Lidar har visat hur en kvantprocessor kan användas som ett prediktivt verktyg för att bedöma en grundläggande process inom biologi:bindning av genreglerande proteiner till genomet. Detta är ett av de första dokumenterade exemplen där en fysisk kvantprocessor har tillämpats på verkliga biologiska data. Forskningen genomfördes på en D-Wave Two X-maskin vid USC Information Sciences Institute.

Vissa sekvenser av DNA utgör gener, som är "instruktionerna" för att göra proteiner som gör det mesta av de tunga lyften i en cell. Dock, som svar på dess molekylära miljö, en cell kan behöva ha mer eller mindre av ett visst protein för att utföra sin funktion. Denna komplexa process för att kontrollera produktionen av proteiner kallas genreglering. Proteinerna som reglerar vilka gener som uttrycks kallas transkriptionsfaktorer (TF). För att kunna utföra sin funktion, TF måste kunna hitta och fästa sig på specifika platser i genomet.

Övergripande, det är ännu inte helt klart hur TF identifierar den lilla fraktionen av funktionella bindningsställen i genomet bland många nästan identiska men icke-funktionella platser. Mer omfattande kunskap om DNA -transkription och proteinbildning är avgörande för forskare för att uppnå en ökad förståelse för hur mutationer i proteiner som är byggstenarna i våra kroppar, leda till sjukdom.

"Kvantdatorer kan hjälpa till att belysa denna process, "sa studiens medförsvarande författare Daniel Lidar.

"Vi valde att attackera problemet med hjälp av maskininlärning implementerat på en D-Wave-kvantglödgare, för att testa vår förmåga att översätta komplicerade verkliga biologiska problem till inställningen av kvantmaskininlärning, och för att leta efter eventuella fördelar kan detta tillvägagångssätt erbjuda framför mer konventionella, ännu toppmodern klassisk maskininlärningsteknik, "Tillade Lidar.

Ett viktigt steg i transkriptionen av DNA är bindningen av ett protein. Dock, bindningshändelsen kommer endast att ske när vissa villkor är uppfyllda:en särskild sekvens av bokstäverna i DNA -alfabetet (adenin, tymin, guanin och cytosin) och endast på rätt plats på en DNA -sträng som kallas ett bindningsställe. En möjlig bindningsplats fungerar bara under mindre än en procent av omständigheterna, säger studiens andra motsvarande författare Rohs, professor i biologiska vetenskaper, kemi, fysik, och datavetenskap som också är fakultetsmedlem i det nya USC Michelson Center for Convergent Bioscience.

Kemi -doktorand Richard Li, beräkningsnano/biofysiker Rosa Di Felice, quantum computing expert och Viterbi Professor of Engineering Daniel Lidar tillsammans med beräkningsbiologen Remo Rohs försökte tillämpa maskininlärning för att härleda modeller från biologiska data för att förutsäga om vissa sekvenser av DNA representerade starka eller svaga bindningsställen för bindning av en viss uppsättning transkriptionsfaktorer. Mönstren och modellerna som lärdes av kvantprocessorn applicerades sedan för att uppskatta bindningsstyrkan för en serie sekvenser för vilka det var okänt om ett protein skulle binda till dem. Algoritmen som de utvecklade specifikt för D-Wave Two X-kvantglödgningsmaskinen ledde till förutsägelser som stämde överens med verkliga experimentella data.

Kartläggning av ett verkligt biologiskt problem till en kvantdator

För denna studie, quantum D-Wave Two X-processorn verkade ha förmågan att klassificera bindningsställena som starka eller svaga. En nyhet i studien var kartläggning av ett biologiskt problem med faktiska DNA-bindande data till ett kvantchip. Kvantmaskinen kunde också generera slutsatser som överensstämde med en biologes nuvarande förståelse för genreglering. I detta fall, kvantkartläggningen resulterade i det korrekta bindningsstället för utvalda proteiner.

"Möjligheten att utföra detta arbete på en kvantdator är ett viktigt steg framåt och föreslår framtida tillämpningar av en konvergens mellan biologi och kvantinformation, "sa Rohs.

Forskarna betonar att i sin nuvarande form, studien använder en förenklad version av biologiska data och har en "proof-of-princip" karaktär. De tror att när kvantprocessorer som kallas glödgningsmedel ackumulerar qubits och har ökad processorkraft, mer komplexa cellulära determinanter för genreglering som Rohs för närvarande studerar skulle kunna kodas in i nya modeller som använder kvantdatorer.

Det indikerar också en framtid där kvantinformation kan konvergera med andra discipliner som starkt förlitar sig på beräkningsstrategier, såsom materialvetenskap och nanoteknik.