Stefan Bekiranov, PhD, ha desarrollado un algoritmo para estudiar enfermedades gen\u00e9ticas usando computadoras cu\u00e1nticas, una vez que haya computadoras cu\u00e1nticas mucho m\u00e1s potentes para ejecutarlo. Cr\u00e9dito: Universidad de Virginia <\/p>\n
Los cient\u00edficos de la Facultad de Medicina de la Universidad de Virginia est\u00e1n aprovechando el potencial alucinante de las computadoras cu\u00e1nticas para ayudarnos a comprender las enfermedades gen\u00e9ticas incluso antes de que las computadoras cu\u00e1nticas sean una realidad. <\/p>\n
Stefan Bekiranov, Ph.D., y sus colegas de UVA han desarrollado un algoritmo que permite a los investigadores estudiar enfermedades gen\u00e9ticas usando computadoras cu\u00e1nticas, una vez que haya computadoras cu\u00e1nticas mucho m\u00e1s potentes para ejecutarlo. El algoritmo, un conjunto complejo de instrucciones operativas, ayudar\u00e1 a avanzar en el desarrollo de algoritmos de computaci\u00f3n cu\u00e1ntica y podr\u00eda avanzar en el campo de la investigaci\u00f3n gen\u00e9tica alg\u00fan d\u00eda.<\/p>\n
Las computadoras cu\u00e1nticas a\u00fan est\u00e1n en pa\u00f1ales. Pero cuando se hagan realidad, posiblemente dentro de una d\u00e9cada, pueden ofrecer un poder de c\u00f3mputo a una escala inimaginable usando computadoras tradicionales.<\/p>\n
\u00abDesarrollamos e implementamos un algoritmo de clasificaci\u00f3n de muestras gen\u00e9ticas que es fundamental para el campo de aprendizaje autom\u00e1tico en una computadora cu\u00e1ntica de una manera muy natural usando las fortalezas inherentes de las computadoras cu\u00e1nticas\u00bb, dijo Bekiranov. \u00abEste es sin duda el primer estudio de computadora cu\u00e1ntica publicado financiado por el Instituto Nacional de Salud Mental y puede ser el primer estudio que utiliza una computadora cu\u00e1ntica universal financiada por los Institutos Nacionales de Salud\u00bb.<\/p>\n
Computaci\u00f3n cu\u00e1ntica Conceptos b\u00e1sicos<\/p>\n
Los programas inform\u00e1ticos tradicionales se basan en 1 y 0, uno u otro. Pero las computadoras cu\u00e1nticas se aprovechan de un extra\u00f1o fundamento de la f\u00edsica cu\u00e1ntica: algo puede ser y no ser al mismo tiempo. En lugar de 1 o 0, la respuesta, desde la perspectiva de una computadora cu\u00e1ntica, es ambos, simult\u00e1neamente. Eso le permite a la computadora considerar much\u00edsimas m\u00e1s posibilidades, todas a la vez.<\/p>\n
El desaf\u00edo es que la tecnolog\u00eda es, para decirlo a la ligera, t\u00e9cnicamente exigente. Muchas computadoras cu\u00e1nticas deben mantenerse cerca del cero absoluto, el equivalente a m\u00e1s de 450 grados bajo cero en la escala Fahrenheit. Incluso entonces, el movimiento de las mol\u00e9culas que rodean los elementos de la computaci\u00f3n cu\u00e1ntica puede estropear los c\u00e1lculos, por lo que los algoritmos no solo tienen que contener instrucciones sobre qu\u00e9 hacer, sino tambi\u00e9n sobre c\u00f3mo compensar los errores.<\/p>\n
\u00abNuestro El objetivo era desarrollar un clasificador cu\u00e1ntico que pudi\u00e9ramos implementar en una computadora cu\u00e1ntica real de IBM. Pero los principales documentos de aprendizaje cu\u00e1ntico de m\u00e1quinas en el campo eran altamente te\u00f3ricos y requer\u00edan hardware que no exist\u00eda. Finalmente encontramos documentos de la Dra. Maria Schuld, quien es un pionero en el desarrollo de algoritmos de aprendizaje autom\u00e1tico cu\u00e1ntico implementables a corto plazo. Nuestro clasificador se basa en los desarrollados por el Dr. Schuld \u00ab, dijo Bekiranov. \u00abUna vez que comenzamos a probar el clasificador en el sistema de IBM, descubrimos r\u00e1pidamente sus limitaciones actuales y, por ahora, solo pudimos implementar con \u00e9xito un problema muy simplificado o de ‘juguete'\u00bb.<\/p>\n
Clasificaci\u00f3n de datos gen\u00f3micos<\/p>\n
p> <\/p>\n
El nuevo algoritmo esencialmente clasifica los datos gen\u00f3micos. Puede determinar si una muestra de prueba proviene de una enfermedad o muestra de control exponencialmente m\u00e1s r\u00e1pido que una computadora convencional. Por ejemplo, si usaran los cuatro componentes b\u00e1sicos del ADN (A, G, C o T) para la clasificaci\u00f3n, una computadora convencional ejecutar\u00eda 3 mil millones de operaciones para clasificar la muestra. El nuevo algoritmo cu\u00e1ntico necesitar\u00eda solo 32.<\/p>\n
Eso ayudar\u00e1 a los cient\u00edficos a clasificar la gran cantidad de datos necesarios para la investigaci\u00f3n gen\u00e9tica. Pero tambi\u00e9n es una prueba de concepto de la utilidad de la tecnolog\u00eda para dicha investigaci\u00f3n.<\/p>\n
Bekiranov y su colaborador Kunal Kathuria, Ph.D., pudieron crear el algoritmo porque estaban capacitados en f\u00edsica cu\u00e1ntica, un campo que incluso los cient\u00edficos a menudo encuentran opaco. Es m\u00e1s probable que tales algoritmos surjan de los departamentos de f\u00edsica o inform\u00e1tica que de las facultades de medicina. (Tanto Bekiranov como Kathuria realizaron el estudio en el Departamento de Bioqu\u00edmica y Gen\u00e9tica Molecular de la Facultad de Medicina. Kathuria se encuentra actualmente en el Instituto Lieber para el Desarrollo del Cerebro).<\/p>\n
Debido al conjunto particular de habilidades de los investigadores, los funcionarios en el Instituto Nacional de Salud Mental de los Institutos Nacionales de Salud los apoy\u00f3 para asumir el desafiante proyecto. Bekiranov y Kathuria esperan que lo que han desarrollado sea un gran beneficio para la computaci\u00f3n cu\u00e1ntica y, eventualmente, para la salud humana.<\/p>\n
\u00abAhora existen computadoras cu\u00e1nticas de escala relativamente peque\u00f1a que pueden resolver problemas de juguetes\u00bb, dijo Bekiranov. . \u00abLos desaf\u00edos de desarrollar una poderosa computadora cu\u00e1ntica universal son inmensos. Junto con un progreso constante, se necesitar\u00e1n m\u00faltiples avances cient\u00edficos. Pero una y otra vez, los f\u00edsicos experimentales y te\u00f3ricos, trabajando juntos, han estado a la altura de estos desaf\u00edos. Si desarrollan una poderosa computadora cu\u00e1ntica universal, creo que revolucionar\u00e1 la computaci\u00f3n y ser\u00e1 considerada como uno de los mayores logros cient\u00edficos y de ingenier\u00eda de la humanidad\u00bb. <\/p>\n
Explore m\u00e1s<\/p>\n
Honeywell afirma haber construido la computadora cu\u00e1ntica de mayor rendimiento disponible M\u00e1s informaci\u00f3n:<\/strong> Kunal Kathuria et al, Implementaci\u00f3n de un clasificador cu\u00e1ntico gen\u00f3mico similar a la distancia de Hamming usando productos internos en ibmqx2 y ibmq_16_melbourne, Inteligencia de m\u00e1quina cu\u00e1ntica (2020). DOI: 10.1007\/s42484-020-00017-7 Proporcionado por la Universidad de Virginia Cita<\/strong>: Pioneros en el estudio de enfermedades gen\u00e9ticas con computaci\u00f3n cu\u00e1ntica (22 de julio de 2020) recuperado el 31 de agosto de 2022 de https:\/\/medicalxpress .com\/news\/2020-07-genetic-diseases-quantum.html Este documento est\u00e1 sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigaci\u00f3n privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona \u00fanicamente con fines informativos.<\/p>\n","protected":false},"excerpt":{"rendered":" Stefan Bekiranov, PhD, ha desarrollado un algoritmo para estudiar enfermedades gen\u00e9ticas usando computadoras cu\u00e1nticas, una vez que haya computadoras cu\u00e1nticas mucho m\u00e1s potentes para ejecutarlo. Cr\u00e9dito: Universidad de Virginia Los cient\u00edficos de la Facultad de Medicina de la Universidad de Virginia est\u00e1n aprovechando el potencial alucinante de las computadoras cu\u00e1nticas para ayudarnos a comprender las … Continuar leyendo \u00abPionero en el estudio de enfermedades gen\u00e9ticas con computaci\u00f3n cu\u00e1ntica\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-31562","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/31562","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/comments?post=31562"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/31562\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=31562"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=31562"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=31562"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}