論文の概要: Enhancing Drug Discovery: Quantum Machine Learning for QSAR Prediction with Incomplete Data

• arxiv url: http://arxiv.org/abs/2501.13395v1
• Date: Thu, 23 Jan 2025 05:39:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-24 15:57:56.991072
• Title: Enhancing Drug Discovery: Quantum Machine Learning for QSAR Prediction with Incomplete Data
• Title（参考訳）: 不完全データを用いたQSAR予測のための量子機械学習
• Authors: Wei-Yin Chiang, Po-Yu Kao, Tzu-Lan Yeh, Ya-Chu Yang, Yen-Chu Lin, Alex Zhavoronkov,
• Abstract要約: QSARは機械学習によって正確に予測できることが示されている。 品質が劣り可用性が制限されたデータは、マシンラーニングの医療関連アプリケーションにおいて、常に最も一般的で重要な問題である。 限られたデータ可用性と少ない特徴の条件下で、量子分類器の一般化パワーにおける量子的優位性を実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Qualitative structure-activity relationship (QSAR) is important for drug discovery and offers valuable insights into the biological interactions of potential drug candidates. It has been demonstrated that QSAR can be accurately predicted by machine learning. However, data with poor quality and limited availability are always the most common and critical issues for medical-related applications for machine learning. In this manuscript, we aim to discuss the performance of classical and quantum classifiers in QSAR prediction and attempt to demonstrate the quantum advantages in the generalization power of the quantum classifier under conditions of limited data availability and a reduced number of features. By applying different data embedding methods followed by feature selection through principal component analysis (PCA), we find that the quantum classifier outperforms the classical one when a small number of features are selected and the number of training samples is limited. The generality of quantum advantages in other open datasets is also explored.
• Abstract（参考訳）: 質的構造活性相関(QSAR)は、薬物発見に重要であり、潜在的な薬物候補の生物学的相互作用に関する貴重な洞察を提供する。 QSARは機械学習によって正確に予測できることが示されている。 しかし、低い品質と限られた可用性を持つデータは、マシンラーニングの医療関連アプリケーションにおいて、常に最も一般的で重要な問題である。 本稿では,QSAR予測における古典的および量子分類器の性能について論じ,限られたデータ可用性と少ない特徴の条件下での量子分類器の一般化能力の量子的優位性を示すことを目的とする。 主成分分析 (PCA) による異なるデータ埋め込み手法を適用し, 少数の特徴が選択され, 訓練サンプル数が制限された場合に, 量子分類器は古典的手法よりも優れていることがわかった。 他のオープンデータセットにおける量子アドバンテージの一般性についても検討する。

関連論文リスト

• Leveraging Pre-Trained Neural Networks to Enhance Machine Learning with Variational Quantum Circuits [48.33631905972908]
  我々は、事前学習されたニューラルネットワークを用いて変分量子回路(VQC)を強化する革新的なアプローチを導入する。 この手法は近似誤差をキュービット数から効果的に分離し、制約条件の必要性を除去する。 我々の結果はヒトゲノム解析などの応用にまで拡張され、我々のアプローチの幅広い適用性を示している。
  論文  参考訳（メタデータ） (2024-11-13T12:03:39Z)
• Empirical Quantum Advantage Analysis of Quantum Kernel in Gene Expression Data [0.0]
  量子優位性が達成可能な適切なデータセットを見つけることや、古典的および量子的手法によって選択された特徴の関連性を評価することなど、制約に重点を置いている。 生理的行動と疾患の感受性の制御において遺伝的変異が重要な役割を担った遺伝子発現データセットを実験的に選択した。
  論文  参考訳（メタデータ） (2024-11-11T15:34:53Z)
• Machine Learning and Quantum Intelligence for Health Data Scenarios [0.0]
  従来の機械学習アルゴリズムは、高次元または限られた品質のデータセットでしばしば課題に直面している。 量子機械学習は、重ね合わせや絡み合いなどの量子特性を活用し、パターン認識と分類を強化する。 本稿では、QMLの医療への応用について検討し、心疾患予測とCOVID-19検出のための量子カーネル法とハイブリッド量子古典的ネットワークに焦点を当てた。
  論文  参考訳（メタデータ） (2024-10-28T01:04:43Z)
• Quantum enhanced stratification of Breast Cancer: exploring quantum expressivity for real omics data [0.0]
  量子カーネル(QK)は、分子特性に基づいて、乳癌(BC)患者のサブタイプを効果的に分類できる。 以上の結果から,QKは従来の手法と同等のクラスタリング結果が得られるが,データポイントは少ないことがわかった。 その結果,NISQデバイス上で計算パイプラインを確実に実装できることが示唆された。
  論文  参考訳（メタデータ） (2024-09-21T10:00:09Z)
• Benchmarking quantum machine learning kernel training for classification tasks [0.0]
  本研究は、分類タスクの文脈における量子カーネル法に焦点を当てる。 量子カーネル推定(QKE)と量子カーネル訓練(QKT)の性能を2つの量子特徴写像と関連づけて検討する。 実験結果から、量子法は異なるデータセット間で様々な性能を示すことが明らかとなった。
  論文  参考訳（メタデータ） (2024-08-17T10:53:06Z)
• QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
  量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。 量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。 4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
  論文  参考訳（メタデータ） (2023-08-25T15:08:19Z)
• ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
  本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。 ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。 量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
  論文  参考訳（メタデータ） (2023-08-22T09:11:53Z)
• Transition Role of Entangled Data in Quantum Machine Learning [51.6526011493678]
  エンタングルメントは量子コンピューティングを強化するリソースとして機能する。 最近の進歩は量子力学の学習に対する肯定的な影響を浮き彫りにした。 我々は、絡み合ったデータを用いて量子力学を学習するための量子no-free-lunch(NFL)定理を確立する。
  論文  参考訳（メタデータ） (2023-06-06T08:06:43Z)
• Problem-Dependent Power of Quantum Neural Networks on Multi-Class Classification [83.20479832949069]
  量子ニューラルネットワーク(QNN)は物理世界を理解する上で重要なツールとなっているが、その利点と限界は完全には理解されていない。 本稿では,多クラス分類タスクにおけるQCの問題依存力について検討する。 我々の研究はQNNの課題依存力に光を当て、その潜在的なメリットを評価するための実践的なツールを提供する。
  論文  参考訳（メタデータ） (2022-12-29T10:46:40Z)
• A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
  我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。 我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
  論文  参考訳（メタデータ） (2022-11-23T18:25:32Z)
• Quantum kernels for real-world predictions based on electronic health records [0.0]
  医療・生命科学における経験的量子優位性(EQA)に関する最初の体系的研究を報告する。 各構成座標に対して、IBM量子コンピュータを用いて、放射基底関数(RBF)カーネルとカスタムカーネルを用いた量子モデルに基づく古典的サポートベクトルマシン(SVM)モデルを訓練した。 我々は、量子カーネルが特定のデータセットに利点をもたらすレシエーションを実証的に特定し、与えられたモデルの精度を定量的に見積もる指標である地形粗さ指数を導入した。
  論文  参考訳（メタデータ） (2021-12-12T12:06:19Z)

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。