[论文解读] Quantum Simulation of Protein Fragment Electronic Structure Using Moment-based Adaptive Variational Quantum Algorithms

Biraja Ghoshal|arXiv (Cornell University)|Jan 2, 2026

Quantum Computing Algorithms and Architecture被引用 0

一句话总结

一个量子-经典的VQE框架从蛋白质片段结构构建费米哈密顿量，利用Jordan–Wigner映射到量子比特，针对一个4轨道丝氨酸蛋白酶片段实现化学精确度，并给出药物发现预测的可行性。

ABSTRACT

Background: Understanding electronic interactions in protein active sites is fundamental to drug discovery and enzyme engineering, but remains computationally challenging due to exponential scaling of quantum mechanical calculations. Results: We present a quantum-classical hybrid framework for simulating protein fragment electronic structure using variational quantum algorithms. We construct fermionic Hamiltonians from experimentally determined protein structures, map them to qubits via Jordan-Wigner transformation, and optimize ground state energies using the Variational Quantum Eigensolver implemented in pure Python. For a 4-orbital serine protease fragment, we achieve chemical accuracy (< 1.6 mHartree) with 95.3% correlation energy recovery. Systematic analysis reveals three-phase convergence behaviour with exponential decay (α = 0.95), power law optimization (γ = 1.21), and asymptotic approach. Application to SARS-CoV-2 protease inhibition demonstrates predictive accuracy (MAE=0.25 kcal/mol), while cytochrome P450 metabolism predictions achieve 85% site accuracy. Conclusions: This work establishes a pathway for quantum-enhanced biomolecular simulations on near-term quantum hardware, bridging quantum algorithm development with practical biological applications.

研究动机与目标

• 通过模拟蛋白质片段电子结构，将量子算法与生物应用衔接起来。
• 从实验蛋白质结构到量子模拟，开发完整工作流程。
• 分析自适应VQE在生物相关片段上的收敛性与精度。
• 在药物发现场景中用实验数据验证量子预测。

提出的方法

• 使用STO-3G基组从蛋白质数据银行结构构建费米哈密顿量。
• 用Jordan–Wigner变换将费米项映射到量子比特，得到丝氨酸蛋白酶片段的256个泡利项。
• 使用硬件高效、蛋白对称性强制的态制用于态制备。
• 实现基于动量的自适应VQE，采用参数位移梯度估计与自适应学习率。
• 描述三阶段收敛特征：指数衰减（α≈0.95）、幂律优化（γ≈1.21）、渐近逼近（δ≈0.15）。
• 评估能量收敛、相关能量回收，并与CCSD(T)与FCI基准比较。

实验结果

研究问题

• RQ1 在近端硬件条件下，基于矩量自适应VQE是否可在蛋白质片段（少量比特、较小活性空间）达到化学精确度？
• RQ2 对于生物学上复杂的电子结构，VQE的收敛性如何，存在何种收敛阶段？
• RQ3 与经典方法相比，蛋白质片段的量子预测在实际药物发现任务（结合亲和力、代谢位点）上的可转化性如何？
• RQ4 扩展到更大蛋白质片段的尺度与资源开销有哪些？

主要发现

• 对于4轨道丝氨酸蛋白酶片段，VQE达到化学精确度（<1.6 mEh），回收95.3%的相关能量。
• 片段的Jordan–Wigner映射产生256个泡利项；所选的硬件高效带对称性强制的态制用于有效优化。
• VQE分三个阶段收敛：能量以α≈0.95呈指数衰减、以γ≈1.21呈幂律优化、以δ≈0.15呈渐近逼近。
• 药物发现应用显示预测能力：SARS-CoV-2主蛋白酶抑制剂的结合能MAE≈0.25 kcal/mol、R^2≈0.94；细胞色素P450代谢位点准确度≈85%。
• 自然轨道分析揭示显著的电子相关性，非整数占据数（n0=1.78, n1=1.56, n2=0.42, n3=0.24）。
• 与经典方法比较显示，本工作中的VQE在4量子比特示例中以约三分之一成本达到与CCSD(T)相当的精度（FCI：100%相关；CCSD(T)：99.5%；MP2：90.2%）。