蛋白質結構預測是計算生物學中的核心挑戰之一。混合量子經典方法結合了量子計算和經典優化，有望提供更精確的預測。然而，這類方法高度依賴於哈密頓懲罰權重的選擇，而現有的基於晶格的工作流通常手動固定這些係數，並且僅模擬評估非常短的片段，限制了其在實際場景中的應用。
針對這一問題，研究人員提出了QFoldAgent框架，這是一個用於5殘基四面體晶格摺疊的閉環多智能體系統。該框架包含三個關鍵組件：設計智能體根據序列信息提出序列條件懲罰；基於VQE的量子經典管道在Qiskit Aer噪聲下優化由此產生的哈密頓量；反饋智能體則利用能量景觀診斷和MolProbity驗證信號在循環中改進懲罰。值得注意的是，真實指標如RMSD從不暴露給智能體，僅用於最終評估。
研究在兩個互補的數據集上測試了QFoldAgent的性能。第一個數據集包含55個來自QDockBank的已知結構片段，第二個數據集包含100個覆蓋優化的未見序列。在QDockBank基準上，QFoldAgent將中位RMSD從3.64Å降低到3.20Å，在最具挑戰性的目標上改進最為顯著。對於未見序列，閉環機制將結構有效性從87.5%提高到98.7%，恢復了87%最初無效的案例。此外，最強的控制器在87%的序列上改善了第三週期能量，同時保持了96%的拉馬錢德蘭優選幾何構型。
這些結果表明，通過迭代智能體控制，可以系統地改善優化行為並減少5殘基量子設置中的失敗案例。QFoldAgent的成功展示了多智能體框架在量子計算和蛋白質摺疊交叉領域的潛力，為未來的自主優化研究提供了新的方向。