引言
生物学的许多领域，都涉及到解决复杂的计算问题，如模拟化学反应、基因组组装、药物发现、蛋白质折叠等。尽管计算生物学领域取得了巨大的进步，但许多现实生活中的问题，仍然具有挑战性，因为它们需要大量的计算资源，超出了现有设备的能力。然而，这为开发一个基于完全不同的原理，即量子物理定律的计算设备，提供了机会。例如，在量子物理学中，一个物体可能同时处于多种状态，这种现象被称为量子叠加。在计算的语言中，量子叠加意味着比特(在这种情况下，称为量子比特或量子位)可以同时是0和1，这种“并行”的计算过程。描述N个量子位元的量子状态，通常需要大量的信息，按指数尺度按2N扩展。在如此大的计算空间中操纵概率振幅的艺术是开发量子算法的核心，人们希望量子算法在解决许多不同的任务时提供显著优势。
今天，科学界和工业界都在大力开发量子计算机，因为他们坚信量子计算机，有能力解决世界上最困难(计算)的问题。最近，量子优势已经被证明可用于随机电路模拟问题，这是一个在生成认证随机数方面，具有潜在应用前景的具体问题。另一个最近的论证与玻色子采样问题有关。讨论了玻色子取样在化学和数学中的应用。众多领域有望用于，证明量子优势之所在。其中之一便是生命科学，它正在与大量繁重的计算作斗争。由于更精确地模拟生物物体的化学和物理过程，以及用于预测和数据处理的新算法，从基因组学到药物发现，量子计算的潜在改进有望实现。这对于量子生物系统来说是特别有趣的，因为量子现象的解释对于足够的描述是必要的，例如，酶催化反应和光收集等。Emani等人，对量子计算在计算分子生物学中的应用前景进行了详细的回顾，从量子计算的基本方面出发，为现有的噪声中尺度量子(NISQ)器件和未来的量子计算机发生器的应用提供了广阔的前景。这篇综述中，研究者论了量子计算对计算生物学、遗传学和生物信息学的潜在影响，简要回顾了量子计算，并重点讨论了几个潜在应用的具体例子。
量子计算构架
量子处理器单元(QPUs)，可认为是计算设备中额外的协处理器，可增强经典处理器单元(CPUs)的现有加速器，例如，现场可编程门阵列和图形处理单元(GPUs)。因此，可通过使用QPUs，来解决那些基于经典原理的设备无法解决的问题。
1.1基于门的(数字)量子计算机
基于门的QPU体系结构(也称为数字模型)在概念上看起来，与现有的经典计算设备的体系结构相似。量子信息的单位是量子位。经典位元的值可以是0或1，而量子位元可以是两种经典态的线性叠加。基于量子门的量子计算机的思想是，在量子位下，实现量子算法作为逻辑操作序列的量子门。然而，与经典比特不同的是，一个由N个0和1组成的字符串就足以描述N个比特的状态，而一个由N个(纠缠)量子位组成的物理系统需要2N个复数。另一个不同之处在于，量子算法的实现以测量为终点，这导致了不可逆的干扰。为了实现量子算法，人们必须能够准备初始量子态，实现量子逻辑门的通用集合，实现系统状态的测量。
理想情况下，基于门的量子计算机的计算能力是通过量子位的数量来衡量的。然而，在现实中，量子位元的状态受到噪声(由退相干效应引起)的影响，这限制了量子位元操作的数量和质量。退相干会导致错误，例如位反转和相位反转。由于不克隆定理的存在，开发量子纠错码具有挑战性。
目前这一代基于门架构的量子计算设备，属于NISQ的时代(见图1)，所以它们有大约50-个量子位，没有纠错工具。这些设备已经解决了超出现有经典计算设备能力的计算任务。然而，它们在解决有用的计算问题上，仍然没有表现出优势。
最终的目标是开发一种容错量子计算机(FTQC)，可通过实现有效的纠错技术，或者通过创建不受退相干影响的量子位(例如，拓扑保护的量子位)。FTQCs承载没有生命周期限制的量子位，所有操作都可以在没有错误的情况下执行。这个目标就是量子计算的圣杯。
1.2绝热量子计算机
另一类重要的QPU设备是绝热量子计算机。其思路是编码一个感兴趣的问题，比如想要最小化的目标函数，在量子系统的设备中，使该函数被系统的哈密顿量描述。从一些构型开始进化，这些构型在它的基态中准备，然后进化到编码这个问题的哈密顿量。量子力学的绝热定理保证，如果一个系统被制备成哈密顿量的基态，并且这个哈密顿量变化得足够慢，系统将始终保持其瞬时基态。因此，通过测量系统在最终状态下的配置，研究者可以得到问题的解，从而使优化问题得到解决。
图1.量子计算机的硬件架构
图片来源于Proc.Natl.Acad.Sci.U.S.A.,,,-.
1.3量子退火
一个相关的计算协议被称为量子退火。量子退火算法属于元启发式工具，适用于求解二元优化问题。量子退火器件，可用来解决二次无约束二进制优化(QUBO)问题，其中每个量子位代表一个变量，量子位之间的耦合器代表与量子位对相关的成本。由于计算生物学中的许多问题，都可以表述为寻找复杂高维函数的全局最小值，量子退火可以被认为是一个有前途的工具。
1.4类和可编程量子模拟器
类量子模拟器(见图2概念图)的理念，是建立一个量子装置来模拟系统的行为。这种模拟器，更适合在定性层面上研究量子物理现象。最近，模拟量子模拟器也被认为是解决化学问题的工具。可以预期，模拟量子模拟器的应用领域，将会得到扩展。一些可编程的量子模拟器，能够在不同的机制(模拟量子模拟，基于门和绝热量子计算)之间切换，已经被用于，诸如优化等实际任务中。
图2.类量子模拟器概念图
图片来源于Nature,,,-.
量子算法
量子计算机，可以解决各种各样的任务。然而，定义和检测量子加速是微妙的，因为这个概念依赖于经典算法和量子算法的比较。在许多情况下，最佳算法是未知的。例外的是，量子搜寻算法已被证明是，搜索问题中可能的最佳二次加速。
2.1因式分解和离散对数
肖尔量子算法，是一个著名的量子算法的例子，在解决整数分解问题和离散对数问题时，量子算法提供了一个显著的加速，超过最著名的经典算法(但可能不是最好的经典算法)。该量子算法可用于，目前已部署的公钥密码算法的密码分析。同时，肖尔算法中使用的量子算法子例程，如量子傅里叶变换，也可以作为其他量子算法的子例程。
2.2搜索
Grover的搜索算法，在查询的N种可能中，找到一个特定的单个输出，这是最优的。Grover算法本身就很有趣，它也是计算生物学中更复杂数据处理算法的一个子程序，比如关于蛋白质序列比较和先进的量子机器学习算法的早期建议。
2.3模拟
量子计算机，可以通过编程来模拟局部量子系统。这意味着，被研究的量子力学对象(例如，一个分子)的状态和动力学，可以被编码在量子位和一系列量子门中。与此同时，人们普遍认为(但严格地说，还没有得到证实)，经典计算机不能精确地有效地模拟量子系统。这就是为什么量子计算机，有希望精确模拟与生物相关的化学系统和过程。
2.4数据分析
数据分析，也是一个可以利用量子计算的领域。现有的方法，包括求解线性方程和微分方程的量子算法，这是数据处理算法的子程序。哈罗·哈西姆·劳埃德量子算法，可以比任何现有算法，以指数速度解决某些线性系统。这些算法被认为，在计算生物学的数值模型和更复杂算法的子程序中都很有用，例如，在机器学习中(见下文)。
2.5优化
量子计算机，也被认为是解决复杂优化问题的工具。与此同时，量子计算机在优化问题上的加速，还没有被证明。量子优化的工具，包括解决QUBO/Ising问题的量子退火协议和使用基于门模型的量子近似优化算法(QAOA)，可以使用NISQ设备进行测试。
2.6机器学习
增强机器学习方法的量子技术日益受到