タンパク質構造予測は計算生物学における中心的な課題の一つです。ハイブリッド量子古典手法は、量子計算と古典的最適化を組み合わせることで、より正確な予測を可能にする可能性があります。しかし、そのような手法はハミルトニアンのペナルティ重みに強く依存しており、既存の格子ベースのワークフローでは通常、これらの係数を手動で固定し、シミュレーションで非常に短いフラグメントのみを評価するため、実際の応用が制限されています。
この問題に対処するため、研究者らはQFoldAgentフレームワークを提案しました。これは5残基四面体格子フォールディングのためのクローズドループマルチエージェントシステムです。このフレームワークには3つの主要コンポーネントがあります：設計エージェントは配列情報に基づいて配列条件付きペナルティを提案し、VQEベースの量子古典パイプラインはQiskit Aerノイズ下で得られたハミルトニアンを最適化し、フィードバックエージェントはエネルギーランドスケープ診断とMolProbity検証信号を利用してサイクル全体でペナルティを改良します。重要なのは、RMSDなどの真の指標はエージェントに一切公開されず、評価のみに使用される点です。
研究では、2つの相補的なデータセットでQFoldAgentの性能を評価しました。最初のデータセットはQDockBank由来の55個の既知構造フラグメント、2つ目はカバレッジ最適化された100個の未見配列です。QDockBankベンチマークでは、QFoldAgentはRMSD中央値を3.64Åから3.20Åに低減し、最も困難なターゲットで最大の改善を示しました。未見配列では、クローズドループにより構造的有効性が87.5%から98.7%に向上し、初期に無効だったケースの87%が回復しました。さらに、最強のコントローラーは87%の配列で3サイクル目のエネルギーを改善し、96%のラマチャンドランプレファードジオメトリを維持しました。
これらの結果は、反復エージェント制御が5残基量子設定における最適化動作を体系的に改善し、失敗ケースを削減できることを示しています。QFoldAgentの成功は、量子計算とタンパク質フォールディングの交差点におけるマルチエージェントフレームワークの可能性を示しており、将来の自律最適化研究に新たな方向性を提供するものです。