量子机解锁生物研究新可能

一直以来，量子计算在各应用领域的发展前景被广泛讨论，但真正在现实问题中展现出量子优势的案例却屈指可数。不过南加州大学维特比工程学院量子信息科学与技术中心，联合达纳与大卫・多恩西夫文理学院开展的一项新研究，有望打破这一局面。研究人员Richard Li、Rosa Di Felice、Remo Rohs和Daniel Lidar成功将量子处理器用作预测工具，来解析生物学里的一个基础过程——基因调控蛋白与基因组的结合。这也是有文献记录的、将物理量子处理器应用于真实生物数据的早期案例之一，相关研究是在南加州大学信息科学研究所的D-Wave Two X机器上完成的。

DNA的特定序列组成了基因，基因就像是制造蛋白质的“指令手册”，而蛋白质承担着细胞内绝大多数的重要工作。为了适应分子环境的变化，细胞需要适时增减某种蛋白质的数量来维持正常功能，这种控制蛋白质生产的复杂过程就是基因调控。其中，负责调控哪些基因可以表达的蛋白质被叫做转录因子（TFs），它们要完成任务，就得先在基因组的特定位置找到并附着上去。

目前，科学家还没完全搞清楚，转录因子是如何在大量几乎相似却没有功能的位点中，精准识别出基因组里那一小部分功能性结合位点的。而更深入地了解DNA转录和蛋白质形成的机制，对科学家探究“作为身体基础模块的蛋白质发生突变为何会引发疾病”这一问题至关重要。

该研究的一位作者Daniel Lidar表示：“量子计算机或许能帮助我们阐明这一过程。”他补充道：“我们选择借助D-Wave量子退火机实现的机器学习来解决这个问题，一方面是测试我们把复杂的真实生物学问题转化为量子机器学习场景的能力，另一方面也想看看这种方法相比最先进的传统经典机器学习技术，是否存在优势。”

DNA转录的关键一步是蛋白质的结合，但这种结合只有满足特定条件才会发生：不仅需要DNA字母表（腺嘌呤、胸腺嘧啶、鸟嘌呤和胞嘧啶）的特定序列，还得位于DNA链上被称为结合位点的正确位置。该研究的另一位作者、同时任职于生物科学、化学、物理和计算机科学领域的教授Remo Rohs提到，一个潜在的结合位点，实际具备功能的概率还不到百分之一。

化学博士候选人Richard Li、计算纳米/生物物理学家Rosa Di Felice、量子计算专家兼维特比工程教授Daniel Lidar，以及计算生物学家Remo Rohs团队，尝试运用机器学习从生物数据中构建模型，以此预测特定DNA序列对一组特定转录因子而言，是强结合位点还是弱结合位点。之后，他们用量子处理器学到的模式和模型，去估算一系列未知是否会与蛋白质结合的序列的结合强度。专门为D-Wave Two X量子退火机开发的算法所做出的预测，与真实实验数据完全吻合。

将真实生物学问题映射到量子计算机

在这项研究中，D-Wave Two X量子处理器展现出了把结合位点分类为强或弱的能力。研究的一大创新点在于，成功将基于真实蛋白质-DNA结合数据的生物学问题，映射到了量子芯片上。而且量子机器得出的结论，也与生物学家当前对基因调控的认知一致，针对选定的蛋白质，它准确找出了对应的结合位点。

Remo Rohs表示：“能在量子计算机上完成这项工作，是向前迈出的重要一步，也预示着生物学与量子信息融合的未来应用趋势。”

研究人员也强调，目前这项研究使用的是简化版生物数据，属于“原理验证性质”的实验。他们相信，随着退火机型量子处理器的量子比特数量不断增加、处理能力持续提升，Remo Rohs当前正在研究的更复杂的基因调控细胞决定因素，就能被编码进基于量子计算机的新模型中。

这也让我们看到了一个未来：量子信息或许能和其他高度依赖计算策略的学科深度融合，比如材料科学和纳米技术领域，都可能因此迎来新的突破。