論文の概要: Protein Design by Integrating Machine Learning with Quantum Annealing and Quantum-inspired Optimization
- arxiv url: http://arxiv.org/abs/2407.07177v1
- Date: Tue, 9 Jul 2024 18:42:45 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-11 18:41:00.433431
- Title: Protein Design by Integrating Machine Learning with Quantum Annealing and Quantum-inspired Optimization
- Title（参考訳）: 量子アニーリングと量子インスピレーション最適化を組み合わせた機械学習によるタンパク質設計
- Authors: Veronica Panizza, Philipp Hauke, Cristian Micheletti, Pietro Faccioli,
- Abstract要約: タンパク質設計の問題は、与えられた三次元構造に折り畳まれたポリペプチド配列を見つけることである。
最近の機械学習のブレークスルーにより、正確で迅速な構造予測が可能になった。
本稿では,機械学習と量子インスパイアされたアルゴリズムのアルゴリズム的および技術的進歩を統合できる汎用的なタンパク質設計手法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The protein design problem involves finding polypeptide sequences folding into a given threedimensional structure. Its rigorous algorithmic solution is computationally demanding, involving a nested search in sequence and structure spaces. Structure searches can now be bypassed thanks to recent machine learning breakthroughs, which have enabled accurate and rapid structure predictions. Similarly, sequence searches might be entirely transformed by the advent of quantum annealing machines and by the required new encodings of the search problem, which could be performative even on classical machines. In this work, we introduce a general protein design scheme where algorithmic and technological advancements in machine learning and quantum-inspired algorithms can be integrated, and an optimal physics-based scoring function is iteratively learned. In this first proof-of-concept application, we apply the iterative method to a lattice protein model amenable to exhaustive benchmarks, finding that it can rapidly learn a physics-based scoring function and achieve promising design performances. Strikingly, our quantum-inspired reformulation outperforms conventional sequence optimization even when adopted on classical machines. The scheme is general and can be easily extended, e.g., to encompass off-lattice models, and it can integrate progress on various computational platforms, thus representing a new paradigm approach for protein design.
- Abstract（参考訳）: タンパク質設計の問題は、与えられた三次元構造に折り畳まれたポリペプチド配列を見つけることである。
その厳密なアルゴリズム解は、列と構造空間におけるネストされた探索を含む、計算的に要求される。
最近の機械学習によるブレークスルーにより、構造検索はバイパスされ、正確で迅速な構造予測が可能になった。
同様に、シーケンス検索は、量子アニールマシンの出現と、古典的マシンでも実行可能な検索問題の新たなエンコーディングによって完全に変換されるかもしれない。
本研究では,機械学習と量子インスパイアされたアルゴリズムのアルゴリズム的および技術的進歩を統合できる汎用的なタンパク質設計手法を導入し,物理に基づく最適スコアリング関数を反復的に学習する。
この第1の概念実証アプリケーションでは,この反復法を網羅的なベンチマークが可能な格子タンパク質モデルに適用し,物理ベースのスコアリング関数を高速に学習し,設計性能を期待できることを示す。
興味深いことに、我々の量子インスパイアされた再構成は、古典機械に採用されても、従来のシーケンス最適化よりも優れています。
このスキームは汎用的で、例えば、オフラッチモデルを含むように容易に拡張でき、様々な計算プラットフォーム上で進歩を統合することができ、タンパク質設計の新しいパラダイムアプローチを表現できる。
関連論文リスト
- Out of the Loop: Structural Approximation of Optimisation Landscapes and non-Iterative Quantum Optimisation [3.9857517408503567]
量子近似最適化アルゴリズム (quantum Approximate optimization algorithm, Qaoa) は、最適化のための量子古典的反復法として広く研究されている。
インスタンスに依存しないが問題固有の非定型計算に基づく新しいアルゴリズム変種を導入する。
我々のアプローチは、カオの量子非依存構造に関する長年の予想を証明することに基づいている。
論文 参考訳（メタデータ） (2024-08-12T21:02:58Z) - Tree Search-Based Evolutionary Bandits for Protein Sequence Optimization [44.356888079704156]
タンパク質工学は、任意のタンパク質の広大な配列空間のため、大変な作業である。
タンパク質工学は通常、野生型または鉛配列に突然変異を加える反復的なプロセスによって行われる。
本稿では,木探索に基づくバンド学習手法を提案する。この手法は,初期シーケンスから始まる木を,バンド学習モデルのガイダンスで拡張する。
論文 参考訳（メタデータ） (2024-01-08T06:33:27Z) - Quantum algorithms: A survey of applications and end-to-end complexities [90.05272647148196]
期待されている量子コンピュータの応用は、科学と産業にまたがる。
本稿では,量子アルゴリズムの応用分野について検討する。
私たちは、各領域における課題と機会を"エンドツーエンド"な方法で概説します。
論文 参考訳（メタデータ） (2023-10-04T17:53:55Z) - Predicting RNA Secondary Structure on Universal Quantum Computer [2.277461161767121]
RNA構造が塩基配列からどのように折り畳み、その二次構造がどのように形成されるかを知るための最初のステップである。
従来のエネルギーベースのアルゴリズムは、特に非ネスト配列の精度が低い。
普遍量子コンピューティングのためのゲートモデルアルゴリズムは利用できない。
論文 参考訳（メタデータ） (2023-05-16T15:57:38Z) - The Basis of Design Tools for Quantum Computing: Arrays, Decision
Diagrams, Tensor Networks, and ZX-Calculus [55.58528469973086]
量子コンピュータは、古典的コンピュータが決して起こらない重要な問題を効率的に解決することを約束する。
完全に自動化された量子ソフトウェアスタックを開発する必要がある。
この研究は、今日のツールの"内部"の外観を提供し、量子回路のシミュレーション、コンパイル、検証などにおいてこれらの手段がどのように利用されるかを示す。
論文 参考訳（メタデータ） (2023-01-10T19:00:00Z) - Polynomial unconstrained binary optimisation inspired by optical
simulation [52.11703556419582]
制約のないバイナリ最適化の問題を解決するために,光コヒーレントIsingマシンにヒントを得たアルゴリズムを提案する。
提案アルゴリズムを既存のPUBOアルゴリズムに対してベンチマークし,その優れた性能を観察する。
タンパク質の折り畳み問題や量子化学問題へのアルゴリズムの適用は、PUBO問題による電子構造問題の近似の欠点に光を当てる。
論文 参考訳（メタデータ） (2021-06-24T16:39:31Z) - Fractal Structure and Generalization Properties of Stochastic
Optimization Algorithms [71.62575565990502]
最適化アルゴリズムの一般化誤差は、その一般化尺度の根底にあるフラクタル構造の複雑性'にバウンドできることを示す。
さらに、特定の問題(リニア/ロジスティックレグレッション、隠れ/層ニューラルネットワークなど)とアルゴリズムに対して、結果をさらに専門化します。
論文 参考訳（メタデータ） (2021-06-09T08:05:36Z) - EBM-Fold: Fully-Differentiable Protein Folding Powered by Energy-based
Models [53.17320541056843]
本研究では,データ駆動型生成ネットワークを用いたタンパク質構造最適化手法を提案する。
EBM-Foldアプローチは,従来のロゼッタ構造最適化ルーチンと比較して,高品質なデコイを効率よく生成できる。
論文 参考訳（メタデータ） (2021-05-11T03:40:29Z) - Tequila: A platform for rapid development of quantum algorithms [0.3248699949578586]
Tequila(テキーラ)は、ピソンにおける量子アルゴリズムの開発パッケージである。
高速で柔軟な実装、プロトタイピング、電子構造やその他の分野における新しい量子アルゴリズムの展開のために設計されている。
論文 参考訳（メタデータ） (2020-11-05T19:00:58Z) - AdaLead: A simple and robust adaptive greedy search algorithm for
sequence design [55.41644538483948]
我々は、容易で、拡張性があり、堅牢な進化的欲求アルゴリズム(AdaLead)を開発した。
AdaLeadは、様々な生物学的に動機づけられたシーケンスデザインの課題において、アートアプローチのより複雑な状態を克服する、驚くほど強力なベンチマークである。
論文 参考訳（メタデータ） (2020-10-05T16:40:38Z) - ACSS-q: Algorithmic complexity for short strings via quantum accelerated
approach [1.4873907857806357]
符号化定理法を用いて,アルゴリズムの複雑性を推定する量子回路を提案する。
ユースケースとして,アルゴリズムの複雑さに基づくタンパク質-タンパク質相互作用の応用フレームワークを提案する。
論文 参考訳（メタデータ） (2020-09-18T14:41:41Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。