Q‑BIOLAT: Binäre Proteinfitness mit Quantum Annealing optimieren

Ein neues Forschungsframework namens Q‑BIOLAT wurde vorgestellt, das Protein‑Fitnesslandschaften in binären latenten Räumen modelliert und optimiert. Dabei werden Proteinsequenzen zunächst mit vortrainierten Protein‑Sprachmodellen in kontinuierliche Einbettungen überführt, die anschließend in kompakte binäre Repräsentationen umgewandelt werden.

Im binären Raum wird die Proteinfitness durch ein quadratisches, unbeschränktes binäres Optimierungsmodell (QUBO) angenähert. Dieses Modell ermöglicht eine effiziente kombinatorische Suche mit klassischen Heuristiken wie simuliertem Annealing und genetischen Algorithmen. Auf dem ProteinGym‑Benchmark zeigte Q‑BIOLAT, dass es sinnvolle Strukturen in Fitnesslandschaften erkennt und hochfitnessfähige Varianten identifiziert.

Obwohl die Binärisierung einfach gehalten ist, liefert das Verfahren konsequent Sequenzen, deren nächste Nachbarn zu den besten Fitnesswerten des Trainingsdatensatzes gehören, besonders bei den stärksten Konfigurationen. Unterschiedliche Optimierungsstrategien verhalten sich dabei unterschiedlich: Evolutionäre Suche performt besser in hochdimensionalen latenten Räumen, während lokale Suche konkurrenzfähig bleibt, wenn realistische Sequenzen erhalten werden sollen.

Q‑BIOLAT schafft damit eine natürliche Brücke zwischen Protein‑Repräsentationslernen und kombinatorischer Optimierung. Durch die Formulierung der Proteinfitness als QUBO‑Problem ist das Framework direkt mit neuem Quantum‑Annealing‑Hardware kompatibel, was neue Möglichkeiten für quantum‑unterstützte Protein‑Engineering‑Ansätze eröffnet. Die Implementierung ist öffentlich zugänglich unter https://….