Un largo hilo de cuentas se acomoda en una cajita diminuta: unas cuentas se aprietan entre sí, otras se separan. Ese es el problema que resuelve una proteína cuando se pliega en una molécula funcional. Solo que las cuentas —los aminoácidos— pueden ser cientos, y cada contacto entre ellas altera toda la estructura.
En el nuevo trabajo, los científicos tomaron seis proteínas cortas —de 14 a 16 aminoácidos— y encargaron su plegamiento a un dispositivo cuántico de 64 iones de bario. Cada ion actuaba como un pequeño imán, y todo el sistema se describía con una fórmula compleja que incluía interacciones de hasta cinco cuerpos a la vez. Un ordenador clásico se atasca en estos cálculos porque el número de posibilidades crece en avalancha. Aquí se aplicó un truco especial: la optimización cuántica contraadiabática digitalizada con campo de sesgo, o, en palabras sencillas, un "guía inteligente". Tras cada ejecución, el algoritmo recordaba qué pares de aminoácidos solían estar más cerca y, en la siguiente ronda, empujaba suavemente los iones hacia esas posiciones favorables.
Este enfoque no garantiza un resultado perfecto al primer intento, pero inclina notablemente el "clima" hacia la dirección correcta. Los datos crudos del dispositivo cuántico siguen siendo ruidosos, por lo que se pasaron por un filtro final: un algoritmo que tomaba las pistas cuánticas sobre los contactos y construía a partir de ellas una cadena geométricamente plausible. Al final, para varias proteínas se logró alcanzar la misma energía que en los cálculos clásicos de referencia, y para una incluso mejorarla. Es la primera vez que un procesador de iones de esta escala logra plegar proteínas de manera significativa, y no solo generar cadenas aleatorias.
¿Por qué es importante? El plegamiento de proteínas es una de las tareas más delicadas de la biología. De la forma que adopte la molécula depende si funcionará como fármaco o se convertirá en un grumo inútil. Los superordenadores clásicos tardan meses en calcular una proteína grande. Las máquinas cuánticas prometen reducir ese tiempo a horas, pero por ahora tropiezan con el ruido y los errores. El experimento actual demuestra que incluso un "hardware" imperfecto puede dar pistas útiles si se organiza bien el diálogo entre la búsqueda cuántica y la reconstrucción clásica. A largo plazo, estas tuberías híbridas podrían convertirse en una herramienta de trabajo para diseñar nuevos materiales y medicamentos, mucho antes de que exista un ordenador cuántico perfecto.
Ese hilo de cuentas del principio adquiere forma no a ciegas, sino con un guía inteligente que aprende de cada giro. Y la cajita deja de ser un misterio.
tal como lo escribieron los autores, en inglés arXiv:2604.26861
We report the largest trapped-ion hardware demonstration of lattice protein-folding optimization to date, using bias-field digitized counterdiabatic quantum optimization (BF-DCQO) on a fully connected 64-qubit Barium development system similar to the forthcoming IonQ Tempo line. Six peptide sequences with 14-16 amino-acid residues are encoded using a coarse-grained tetrahedral lattice model, yielding higher-order spin-glass Hamiltonians with long-range interactions involving up to five-body terms and mapped to 46-61 qubits. The resulting instances are demanding for near-term quantum hardware because low-energy configurations must satisfy backbone-geometry constraints while optimizing dense residue-contact interactions. BF-DCQO uses a non-variational bias-feedback mechanism, where low-energy samples from each round define longitudinal fields that guide subsequent quantum evolutions. Across the studied instances, BF-DCQO shifts raw sampled energy distributions toward lower energies than uniform random sampling, with the strongest improvements appearing in residue-contact variables. To preserve this signal, we introduce a consensus-based post-processing pipeline that combines quantum-learned contact information with feasible backbone geometries. The resulting hybrid workflow reaches the classical reference energy in multiple instances and improves over the corresponding random-seeded pipeline. These results show that BF-DCQO can generate structured samples for dense protein-folding Hamiltonians at previously unexplored trapped-ion scales.
Una proteína de 100 aminoácidos podría adoptar teóricamente más formas que átomos hay en el universo visible, pero en la célula encuentra la única correcta en fracciones de segundo.
En la novela de Peter Watts "Visión ciega", unas criaturas extraterrestres usan proteínas con geometrías inusuales, lo que las hace invisibles para los escáneres terrestres; las simulaciones cuánticas podrían algún día revelar tales pliegues.