タンパク質構造予測は生物学および医学分野において極めて重要な課題であり、特にハイブリッド量子古典アルゴリズムを用いた予測手法が注目を集めています。しかし既存の格子ベースのワークフローでは、ハミルトニアンペナルティ重みを手動で固定し、シミュレーションではごく短いフラグメントのみを評価するという制限がありました。このような限界を克服するため、研究者らはQFoldAgentという革新的なマルチエージェントフレームワークを開発しました。 QFoldAgentは5残基の四面体格子折り畳み問題に対する自動最適化システムです。フレームワークは3つの主要なコンポーネントで構成されており、配列設計エージェントがハミルトニアンペナルティを提案し、VQEベースの量子古典パイプラインがQiskit Aerノイズ下でハミルトニアンを最適化し、フィードバックエージェントがエネルギーランドスケープ診断とMolProbity検証信号を使用してペナルティを反復的に改善します。この閉ループシステムが重要な特徴は、RMSDなどの真実のメトリクスをエージェントに直接公開しず、評価にのみ用いる点です。 実験では、既知構造を持つ55個のQDockBankから派生したフラグメント、および100個の網羅性最適化された未知配列という2つの補完的なデータセットで評価されました。QDockBenchmarkでは、QFoldAgentは中央値RMSDを3.64Åから3.20Åに削減し、最も困難なターゲットで最大の改善を達成しました。未知配列では、閉ループシステムが構造の妥当性を87.5%から98.7%に向上させ、最初は無効だった症例の87%を回復させました。さらに最強のコントローラーはサイクル3のエネルギーを87%の配列で改善しながら、96%のラマチャンドラン優遇幾何学を維持しています。これらの結果は、反復的なエージェント制御により、5残基の量子設定における最適化動作を体系的に改善し、失敗事例を減らせることを示しています。