論文の概要: Quantum machine learning framework for longitudinal biomedical studies

• arxiv url: http://arxiv.org/abs/2504.18392v1
• Date: Thu, 24 Apr 2025 16:50:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:53.798888
• Title: Quantum machine learning framework for longitudinal biomedical studies
• Title（参考訳）: 縦断的生体医学研究のための量子機械学習フレームワーク
• Authors: Maria Demidik, Filippo Utro, Alexey Galda, Karl Jansen, Daniel Blankenberg, Laxmi Parida,
• Abstract要約: 縦型バイオマーカー発見のための量子機械学習(QML)の可能性を探る。 本稿では,時間的依存関係を符号化した即時量子時間(IQP)特徴写像の新たな修正を提案する。 我々の長手IQPマップは、物体内時間パターンを捕捉する量子カーネルの能力を向上することを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Longitudinal biomedical studies play a vital role in tracking disease progression, treatment response, and the emergence of resistance mechanisms, particularly in complex disorders such as cancer and neurodegenerative diseases. However, the high dimensionality of biological data, combined with the limited size of longitudinal cohorts, presents significant challenges for traditional machine learning approaches. In this work, we explore the potential of quantum machine learning (QML) for longitudinal biomarker discovery. We propose a novel modification to the instantaneous quantum polynomial time (IQP) feature map, designed to encode temporal dependencies across multiple time points in biomedical datasets. Through numerical simulations on both synthetic and real-world datasets - including studies on follicular lymphoma and Alzheimer's disease - we demonstrate that our longitudinal IQP feature map improves the ability of quantum kernels to capture intra-subject temporal patterns, offering a promising direction for QML in clinical research.
• Abstract（参考訳）: 縦断的生医学的研究は、疾患の進行、治療反応、抵抗機構の出現、特に癌や神経変性疾患などの複雑な疾患において重要な役割を担っている。 しかし、生物学的データの高次元性と長手コホートの大きさの制限が組み合わさって、従来の機械学習アプローチにおいて重要な課題が提示される。 本研究では,縦型バイオマーカー発見のための量子機械学習(QML)の可能性について検討する。 本稿では,生物医学的データセットにおいて,時間的依存を複数の時点にわたってエンコードする即時量子多項式時間(IQP)特徴写像の新たな修正を提案する。 本研究は, 臨床研究におけるQMLの有望な方向性を示すため, 合成および実世界の両方のデータセットの数値シミュレーションにより, 縦型IQPの特徴マップにより, 物体内時間パターンを捕捉する量子カーネルの能力が向上することが実証された。

関連論文リスト

• BioMaze: Benchmarking and Enhancing Large Language Models for Biological Pathway Reasoning [49.487327661584686]
  実際の研究から5.1Kの複雑な経路問題を持つデータセットであるBioMazeを紹介する。 CoT法やグラフ拡張推論法などの手法の評価は,LLMが経路推論に苦慮していることを示している。 そこで本稿では,インタラクティブなサブグラフベースのナビゲーションにより推論を強化するLLMエージェントであるPathSeekerを提案する。
  論文  参考訳（メタデータ） (2025-02-23T17:38:10Z)
• Advancing Precision Oncology Through Modeling of Longitudinal and Multimodal Data [1.6163129903911508]
  癌は、遺伝子、エピジェネティック、ミクロ環境、表現型の変化の複雑な相互作用を通じて、時間とともに継続的に進化する。 今日の腫瘍学におけるデータ駆動研究は、主に1つのモダリティのデータを用いた断面解析に焦点を当てている。 マルチスケールデータ収集および計算手法の進歩により、精度オンコロジーのための長手マルチモーダルバイオマーカーの発見が可能になった。
  論文  参考訳（メタデータ） (2025-02-11T01:44:51Z)
• Robust Quantum Reservoir Computing for Molecular Property Prediction [0.5399129278613575]
  本稿では,潜在的な薬物分子の生物活性を予測するために,量子貯水池計算(QRC)手法を提案する。 データセットのサイズが小さくなるにつれて、より堅牢なQRC性能が観察される。 さらに、一様多様体近似と射影法を利用して、古典的特徴が量子力学によって変換されるときの構造変化を分析する。
  論文  参考訳（メタデータ） (2024-12-09T18:49:18Z)
• How quantum computing can enhance biomarker discovery [0.14043931310479377]
  量子アルゴリズムは、特に機械学習において、バイオマーカー発見における重要な応用にマップされる。 アルゴリズムとアプリケーションに関連する機会と課題について論じる。 オープンな研究課題に関する見通しが提示されている。
  論文  参考訳（メタデータ） (2024-11-15T16:50:05Z)
• Multi-Omic and Quantum Machine Learning Integration for Lung Subtypes Classification [0.0]
  量子コンピューティングと機械学習の融合は、マルチオミクスデータセット内の複雑なパターンを解き放つことを約束している。 我々は,バイオマーカー発見の可能性を秘めたLUADデータセットとLUSCデータセットの最適な識別方法を開発した。
  論文  参考訳（メタデータ） (2024-10-02T23:16:31Z)
• ProBio: A Protocol-guided Multimodal Dataset for Molecular Biology Lab [67.24684071577211]
  研究結果を複製するという課題は、分子生物学の分野に重大な障害をもたらしている。 まず、この目的に向けた最初のステップとして、ProBioという名前の包括的なマルチモーダルデータセットをキュレートする。 次に、透明なソリューショントラッキングとマルチモーダルなアクション認識という2つの挑戦的なベンチマークを考案し、BioLab設定におけるアクティビティ理解に関連する特徴と難しさを強調した。
  論文  参考訳（メタデータ） (2023-11-01T14:44:01Z)
• Long Short-term Memory with Two-Compartment Spiking Neuron [64.02161577259426]
  LSTM-LIFとよばれる,生物学的にインスパイアされたLong Short-Term Memory Leaky Integrate-and-Fireのスパイキングニューロンモデルを提案する。 実験結果は,時間的分類タスクの多種多様な範囲において,優れた時間的分類能力,迅速な訓練収束,ネットワークの一般化性,LSTM-LIFモデルの高エネルギー化を実証した。 したがって、この研究は、新しいニューロモルフィック・コンピューティング・マシンにおいて、困難な時間的処理タスクを解決するための、無数の機会を開放する。
  論文  参考訳（メタデータ） (2023-07-14T08:51:03Z)
• The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks [64.08042492426992]
  本稿では,脳皮質ニューロンの生物学的モデルであるExpressive Memory(ELM)ニューロンモデルを紹介する。 ELMニューロンは、上記の入力-出力関係を1万以下のトレーニング可能なパラメータと正確に一致させることができる。 本稿では,Long Range Arena(LRA)データセットなど,時間構造を必要とするタスクで評価する。
  論文  参考訳（メタデータ） (2023-06-14T13:34:13Z)
• Translational Quantum Machine Intelligence for Modeling Tumor Dynamics in Oncology [18.069876260017605]
  量子マシンインテリジェンス(Quantum Machine Intelligence)は、量子力学の観点からの腫瘍力学の非並列的な洞察を提供する。 本稿では,治療効果に関する腫瘍負担の量子力学を定量化する,$eta-$Netという新しいハイブリッド量子古典型ニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-02-21T08:46:58Z)
• Neuro-symbolic Neurodegenerative Disease Modeling as Probabilistic Programmed Deep Kernels [93.58854458951431]
  本稿では、神経変性疾患のパーソナライズされた予測モデリングのための、確率的プログラムによる深層カーネル学習手法を提案する。 我々の分析は、ニューラルネットワークとシンボリック機械学習のアプローチのスペクトルを考慮する。 我々は、アルツハイマー病の予測問題について評価を行い、深層学習を超越した結果を得た。
  論文  参考訳（メタデータ） (2020-09-16T15:16:03Z)
• Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
  ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。 ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。 提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
  論文  参考訳（メタデータ） (2020-08-05T15:45:54Z)

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。