ایسنا و به نقل از ونچر بیت، کروناویروس ثابت کرد که ما باید در شناسایی و کنترل بیماری‌ها قبل از همه‌گیر شدن بسیار سریع‌تر عمل کنیم، زیرا در دنیای امروز، ویروسها بسیار سریع‌تر و گسترده‌تر از گذشته شایع می‌شوند.
اگر کووید-۱۹ به ما چیزی آموخته باشد، این است که توانایی ما در شناسایی و درمان همه‌گیری‌ها از زمان شیوع آنفلوانزای اسپانیایی در سال ۱۹۱۸ تاکنون بسیار بهبود یافته است، اما هنوز راه زیادی برای پیشرفت وجود دارد. طی چند دهه گذشته ما اقدامات بزرگی را برای بهبود قابلیت تشخیص سریع انجام داده‌ایم. تنها ۱۲ روز طول کشید تا پروتئین بیرونی ویروس کووید-۱۹ را با استفاده از تکنیک‌های جدید نقشه برداری مولکولی شناسایی کنیم. در حالی که در دهه ۱۹۸۰، یک تحلیل ساختاری مشابه برای ویروس ایدز، چهار سال به طول انجامید.
اما ابداع یک روش درمانی یا واکسن هنوز مدت زمان زیادی طول می‌کشد و هزینه‌های بالایی را شامل می‌شود که سبب کاهش انگیزه داروسازهای بزرگ می‌شود.
پروفسور “نور شاکر” متخصص اکتساف دارو اظهار داشت: هرگاه یک بیماری شناسایی می‌شود، سفر جدیدی در دنیای شیمی شروع به جستجوی دارویی می‌کند که می‌تواند در مقابله با بیماری‌ها مفید واقع شود. این سفر تقریبا ۱۵ سال به طول می‌انجامد و ۲.۶ میلیارد دلار هزینه دارد و با روشی برای فیلتر کردن میلیون‌ها مولکول برای شناسایی صدها مورد با پتانسیل بالا برای تبدیل شدن به دارو شروع می‌شود. حدود ۹۹ درصد از کاندیداهای منتخب شکست می‌خورند و تنها یک درصد سربلند بیرون می‌آیند.
پروفسور شاکر یکی از اصلی‌ترین مشکلات روند فعلی کشف داروها را توسعه تجربی داروسازی می‌داند. وی می‌گوید مولکولها ساخته می‌شوند و سپس مورد آزمایش قرار می گیرند، بدون آنکه بتوان عملکرد آنها را از قبل به طور دقیق پیش‌بینی کرد. این فرآیند آزمایش به خودی خود طولانی، خسته کننده و دست و پا گیر است و ممکن است عوارض بعدی را پیش‌بینی نکند که باعث افزایش نسبت هزینه به سود می‌شود. در حالی که ابزارهایی از قبیل هوش مصنوعی برای بهینه سازی این فرآیندها در حال توسعه و پیاده سازی هستند، اما محدودیت در کارآیی آنها در کارهای کلیدی این فرآیند وجود دارد.
در حالت ایده آل، یک روش عالی برای کاهش زمان و هزینه انتقال و کشف و آزمایش درمان یا واکسن، فرآیند آزمایش در آزمایشگاه است که امروزه از آن استفاده می‌کنیم و با آن به شبیه سازی‌های رایانه ای می پردازیم. پایگاه‌های داده مولکولها در حال حاضر در دسترس ما هستند و اگر قدرت محاسبه نامحدود داشتیم می‌توانستیم این پایگاه های داده را اسکن کنیم و محاسبه کنیم که کدام مولکول می‌تواند به عنوان درمان یا واکسن کروناویروس عمل کند. ما به راحتی می‌توانستیم عوامل خود را در شبیه‌سازی وارد کنیم و فضای شیمیایی را برای حل مشکل خود به نمایش بگذاریم.
در اصل، این کار زمانی امکان پذیر است که بتوان ساختارهای شیمیایی را به دقت سنجید و قوانین فیزیک حاکم بر شیمی به خوبی شناخته شده باشند، اما برای تحقق این امر به حل معادلات بسیار پیچیده نیاز داریم که اکنون بسیار طول می کشند.
به عبارت دیگر، ما قدرت محاسبه سریع و کافی را برای حل این معادلات نداریم و اگر به رایانه‌های کلاسیک متوسل شویم، هرگز موفق نخواهیم شد.
مشکل اساسی این است که بفهمیم الکترون ها در داخل یک مولکول کجا قرار می‌گیرند و انرژی کل چنین پیکربندی را محاسبه کنیم. با این داده‌ها می‌توان خواص یک مولکول را محاسبه کرد و رفتار آن را پیش بینی کرد. محاسبات دقیق این خصوصیات، امکان نمایش پایگاه داده های مولکولی را برای ترکیباتی که عملکردهای خاصی از خود نشان می دهند، فراهم می کند. مانند مولکول دارویی که قادر به اتصال به کروناویروس و حمله به آن است.
اساساً اگر بتوانیم از رایانه‌ای برای محاسبه دقیق خواص یک مولکول و پیش‌بینی رفتار آن در یک شرایط خاص استفاده کنیم، می‌توانیم به روند شناسایی یک درمان و بهبود کارایی آن سرعت ببخشیم.
چرا رایانه‌های کوانتومی در شبیه‌سازی مولکولها بسیار بهتر از رایانه‌های کلاسیک هستند؟
الکترونها به شکلی کاملاً همبسته بر روی مولکول پخش می‌شوند و ویژگی‌های هر الکترون به ویژگی‌های همسایگان آن بستگی دارد. این همبستگی‌های کوانتومی (درهم تنیدگی کوانتومی) قلب تئوری کوانتومی هستند.
به عنوان مثال با الکترون‌های ویروس کووید-۱۹ به طور کلی باید به عنوان بخشی از یک موجود واحد که دارای درجه آزادی زیادی است، رفتار شود و اثر کلی این گروه نمی‌تواند به جمع الکترون‌های متمایز و جداگانه‌اش تقسیم شود. الکترونها به دلیل همبستگی‌های قوی، فردیت خود را از دست داده‌اند و باید به عنوان یک هویت کلی با آنها رفتار شود. بنابراین برای حل معادلات، باید تمام الکترونها را به طور همزمان در نظر گرفت.
اگرچه کامپیوترهای کلاسیک در اصل می‌توانند چنین مولکول‌هایی را شبیه سازی کنند، اما هر پیکربندی چند الکترونی باید بطور جداگانه در حافظه ذخیره شود.
بیایید بگوییم که یک مولکول با تنها ۱۰ الکترون داریم(فعلا بقیه اتم را فراموش کنید) و هر الکترون می‌تواند در دو موقعیت مختلف درون مولکول باشد. بنابراین در اصل شما باید ۱۰۲۴ حالت مختلف را در نظر بگیرید و به ۱۰۲۴ بیت کلاسیک احتیاج دارید. از طرف دیگر، کامپیوترهای کوانتومی دارای بیت‌های کوانتومی(کیوبیت) هستند که می‌توان آنها را مانند الکترونها در مولکولها با یکدیگر مرتبط کرد. بنابراین در اصل، برای نمایش الکترون‌های در هم تنیده در رایانه کوانتومی تنها به ۱۰ کیوبیت نیاز خواهد بود.
این اختلاف مقیاس بین محاسبات کلاسیک و کوانتومی موجب می‌شود محاسبات بسیار سریع‌تر انجام شود. به عنوان مثال، شبیه‌سازی پنی سیلین که یک مولکول با ۴۱ اتم و تعداد الکترون‌های بسیار بیشتری است، به ۱۰ به توان ۸۶ بیت کلاسیک نیاز دارد که بیشتر از تعداد اتم‌های موجود در تمام جهان است. در حالی که با یک ریانه کوانتومی فقط به ۲۸۶ کیوبیت نیاز است. البته این میزان هنوز بسیار بیشتر از کیوبیت هایی است که ما تاکنون به آن رسیده‌ایم، اما مطمئناً یک عدد منطقی و دست یافتنی‌تر است.
پروتئین بیرونی کروناویروس جدید، برای مقایسه، حاوی هزاران اتم است و بنابراین محاسبه کلاسیک حالات آن غیرممکن است و حتی از دست قوی‌ترین ابررایانه‌های کلاسیک نیز کاری برنمی‌آید.
ممکن است چند دهه طول بکشد تا یک رایانه کوانتومی که قادر به شبیه‌سازی چنین مولکول‌هایی باشد، ساخته شود. اما هنگامی که چنین رایانه‌ای در دسترس قرار گیرد، به معنای یک انقلاب کامل در داروسازی و صنایع شیمیایی خواهد بود.
توسعه مداوم رایانه‌های کوانتومی در صورت موفقیت، امکان ساخت داروهای جدید را فراهم می‌آورد و با وجود آنها می‌توانیم کل فرآیند را به یک شبیه‌سازی رایانه‌ای منتقل کنیم و به ما این امکان را می‌دهد که با سرعت شگفت انگیزی به نتیجه برسیم. شبیه سازی‌های کوانتومی در کسری از زمان می توانند ۹۹.۹ درصد از داروهای بی فایده را غربال کنند و با ظهور یک اپیدمی جدید، دانشمندان می توانند ظرف چند روز واکسن یا داروی بالقوه آن را شناسایی کرده و توسعه دهند.
دستیابی به همه این رویاها نیاز به سرمایه گذاری مستمر در توسعه محاسبات کوانتومی به عنوان یک فناوری دارد.
انتهای پیام
