Por primera vez, un ordenador cuántico ha simulado con éxito la estructura secundaria de una molécula de ARN mensajero (ARNm) de 60 nucleótidos, incluyendo complejidades clave que hasta ahora eran inabordables incluso para la inteligencia artificial.
Este avance, logrado en colaboración entre IBM, Moderna y la startup Fermioniq, representa un hito en el uso práctico de la computación cuántica para resolver problemas biológicos de alta complejidad, y marca un nuevo rumbo para el diseño de vacunas, terapias génicas y biotecnología avanzada.
El reto: más allá de los límites de la IA
Hasta ahora, tanto los modelos clásicos como los basados en inteligencia artificial habían sido capaces de analizar largas secuencias de ARN solo mediante atajos computacionales, como ignorar estructuras complejas llamadas pseudonudos. Estas formaciones, donde segmentos no adyacentes de la molécula se enlazan en bucles entrecruzados, son cruciales para entender el comportamiento real del ARNm, pero extremadamente difíciles de calcular.
La razón es matemática: predecir estructuras con pseudonudos es un problema NP-completo, lo que implica que el número de configuraciones posibles crece exponencialmente con cada nucleótido añadido. Esto hace que las predicciones precisas sean prácticamente imposibles con ordenadores clásicos sin recurrir a simplificaciones que reducen la fidelidad biológica del modelo.
El enfoque cuántico: de los bits a los cúbits
La investigación superó esta barrera utilizando procesadores cuánticos de IBM, como el Heron r2, y algoritmos especializados que aprovechan la capacidad de los cúbits de procesar múltiples estados al mismo tiempo. A diferencia del bit clásico (0 o 1), un cúbit puede representar una superposición, lo que permite explorar muchas configuraciones simultáneamente.
Los científicos emplearon dos técnicas clave:
-
Algoritmo variacional cuántico basado en CVaR (Conditional Value at Risk), adaptado de modelos financieros, que permite centrarse en las configuraciones de menor energía.
-
Circuitos polinomiales instantáneos (IQP), entrenados de forma clásica pero ejecutados en hardware cuántico para identificar las soluciones más prometedoras.
Este enfoque híbrido permitió simular 60 nucleótidos con 156 cúbits, superando el récord anterior de 42 nucleótidos y acercándose a estructuras más realistas y útiles para aplicaciones médicas.
Domar el caos: cómo vencieron el ruido cuántico
Uno de los mayores desafíos de la computación cuántica actual es el ruido, es decir, errores en las mediciones y operaciones. El equipo aplicó diversas estrategias para mitigarlo:
-
Transformación de gauge, que redistribuye los errores típicos para que afecten menos al resultado.
-
Umbral de parámetros, que descarta valores irrelevantes para reducir el impacto del ruido.
-
Búsqueda local clásica, que refina las soluciones obtenidas por el sistema cuántico.
Estas técnicas permitieron que las simulaciones, incluso con hardware imperfecto, se acercaran notablemente a las soluciones óptimas. En varios casos, el postprocesamiento logró identificar exactamente la estructura más estable, validando la eficacia del enfoque híbrido.
Más allá del laboratorio: implicaciones biomédicas reales
El ARNm es la base de vacunas innovadoras como las de Pfizer-BioNTech y Moderna contra la COVID-19. Conocer con mayor precisión cómo se pliega esta molécula y qué factores afectan su estabilidad estructural podría mejorar su resistencia dentro del cuerpo humano y hacer que se traduzca de manera más eficiente en proteínas.
“Diseñar moléculas de ARNm con estructuras secundarias más estables puede aumentar su eficacia clínica y su vida útil en el organismo”, destacan los autores del estudio.
Este avance no solo tiene implicaciones en la medicina, sino que también demuestra que la computación cuántica ya está resolviendo problemas científicos reales, que eran inaccesibles incluso para modelos de IA de última generación.
El futuro: escalar, refinar, innovar
Aunque este es un avance clave, los investigadores reconocen que aún hay camino por recorrer. Para simular moléculas más largas o sistemas biológicos completos, será necesario:
-
Mejorar el hardware cuántico y su tolerancia al error.
-
Optimizar la integración de circuitos específicos en los procesadores existentes.
-
Explorar nuevos enfoques algorítmicos, como modelos inspirados en campos magnéticos sesgados o cadenas de Markov cuánticas.
Las pruebas con simulaciones de redes tensoriales ya han demostrado que el enfoque es escalable hasta 354 cúbits, lo que abre la puerta a simular estructuras aún más complejas, cuando el hardware esté preparado.
Un paso cuántico hacia adelante
El salto de 42 a 60 nucleótidos no es solo un número. Es una señal clara de que la convergencia entre física cuántica y biología molecular está empezando a dar frutos concretos. Si bien la computación cuántica aún no ha alcanzado su madurez, este estudio es una muestra de su enorme potencial para revolucionar la ciencia aplicada y la medicina del futuro.
