論文の概要: Can a Quantum Support Vector Machine algorithm be utilized to identify Key Biomarkers from Multi-Omics data of COVID19 patients?

• arxiv url: http://arxiv.org/abs/2505.00037v1
• Date: Tue, 29 Apr 2025 16:35:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:55.115587
• Title: Can a Quantum Support Vector Machine algorithm be utilized to identify Key Biomarkers from Multi-Omics data of COVID19 patients?
• Title（参考訳）: 量子支援ベクトルマシンアルゴリズムは、COVID-19患者のマルチオミクスデータからキーバイオマーカーを識別できるか?
• Authors: Junggu Choi, Chansu Yu, Kyle L. Jung, Suan-Sin Foo, Weiqiang Chen, Suzy AA Comhair, Serpil C. Erzurum, Lara Jehi, Jae U. Jung,
• Abstract要約: バイオマーカーを用いたバイオマーカー分類におけるQuantum Support Vector Machineアルゴリズムの適用性を検討した。 プロテオミクスおよびメタボロミクスのバイオマーカーは、隆起回帰を用いて重要度にランク付けされ、それに従ってグループ化された。
• 参考スコア（独自算出の注目度）: 0.856161839022552
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Identifying key biomarkers for COVID-19 from high-dimensional multi-omics data is critical for advancing both diagnostic and pathogenesis research. In this study, we evaluated the applicability of the Quantum Support Vector Machine (QSVM) algorithm for biomarker-based classification of COVID-19. Proteomic and metabolomic biomarkers from two independent datasets were ranked by importance using ridge regression and grouped accordingly. The top- and bottom-ranked biomarker sets were then used to train and evaluate both classical SVM (CSVM) and QSVM models, serving as predictive and negative control inputs, respectively. The QSVM was implemented with multiple quantum kernels, including amplitude encoding, angle encoding, the ZZ feature map, and the projected quantum kernel. Across various experimental settings, QSVM consistently achieved classification performance that was comparable to or exceeded that of CSVM, while reflecting the importance rankings by ridge regression. Although the experiments were conducted in numerical simulation, our findings highlight the potential of QSVM as a promising approach for multi-omics data analysis in biomedical research.
• Abstract（参考訳）: 高次元マルチオミクスデータからCOVID-19の重要なバイオマーカーを同定することは、診断研究と病因研究の進展に不可欠である。 本研究では,バイオマーカーを用いたバイオマーカー分類のためのQuantum Support Vector Machine (QSVM)アルゴリズムの適用性を検討した。 2つの独立したデータセットから得られたプロテオミクスおよびメタボロミクスのバイオマーカーは、隆起回帰を用いて重要度にランク付けされ、それに従ってグループ化された。 トップランクとボトムランクのバイオマーカーセットは、それぞれ予測と負の制御入力として機能する古典的なSVM(CSVM)モデルとQSVMモデルのトレーニングと評価に使用された。 QSVMは振幅符号化、角度符号化、ZZ特徴写像、投影された量子カーネルを含む複数の量子カーネルで実装された。 様々な実験的な設定の中で、QSVMは、尾根回帰による重要ランキングを反映しながら、CSVMと同等かそれ以上の分類性能を一貫して達成した。 実験は数値シミュレーションで行ったが, バイオメディカル研究におけるマルチオミクスデータ解析への有望なアプローチとしてQSVMの可能性を強調した。

関連論文リスト

• Comparative Analysis of Quantum Support Vector Machines and Variational Quantum Classifiers for B-cell Epitope Prediction in Vaccine Design [0.0]
  本研究では,B細胞予測における量子支援ベクトルマシン(QSVM)と変分量子(VQC)の2つの量子機械学習モデルについて検討した。
  論文  参考訳（メタデータ） (2025-04-14T10:19:33Z)
• Graph Kolmogorov-Arnold Networks for Multi-Cancer Classification and Biomarker Identification, An Interpretable Multi-Omics Approach [36.92842246372894]
  Multi-Omics Graph Kolmogorov-Arnold Network (MOGKAN)は、メッセンジャーRNA、マイクロRNA配列、DNAメチル化サンプルを利用するディープラーニングフレームワークである。 グラフに基づく深層学習とマルチオミクスデータを統合することにより,提案手法は頑健な予測性能と解釈可能性を示す。
  論文  参考訳（メタデータ） (2025-03-29T02:14:05Z)
• Modeling Quantum Machine Learning for Genomic Data Analysis [12.248184406275405]
  量子機械学習(QML)は進化を続け、多様なアプリケーションに新たな機会を開放している。 ゲノム配列データのバイナリ分類におけるQMLモデルの適用性について,様々な特徴マッピング手法を用いて検討・評価する。 ベンチマークゲノミクスデータセット上で実験を行うために,オープンソースで独立したQiskitベースの実装を提案する。
  論文  参考訳（メタデータ） (2025-01-14T15:14:26Z)
• Evaluating the Impact of Different Quantum Kernels on the Classification Performance of Support Vector Machine Algorithm: A Medical Dataset Application [0.0]
  本研究では,QSVM-カーネルアルゴリズムを用いて,特徴マッピング手法が医療データ分類結果に与える影響について検討する。 その結果,最高の分類性能は,分類性能と総実行時間の両方で達成されたことがわかった。 本研究の貢献は, 特徴マッピング技術が医療データ分類結果に与える影響を明らかにすることである。
  論文  参考訳（メタデータ） (2024-07-13T15:53:37Z)
• Benchmarking Machine Learning Robustness in Covid-19 Genome Sequence Classification [109.81283748940696]
  我々は、IlluminaやPacBioといった一般的なシークエンシングプラットフォームのエラープロファイルを模倣するために、SARS-CoV-2ゲノム配列を摂動する方法をいくつか紹介する。 シミュレーションに基づくいくつかのアプローチは、入力シーケンスに対する特定の敵攻撃に対する特定の埋め込み手法に対して、他の手法よりも堅牢(かつ正確)であることを示す。
  論文  参考訳（メタデータ） (2022-07-18T19:16:56Z)
• An Efficient Binary Harris Hawks Optimization based on Quantum SVM for Cancer Classification Tasks [27.169643615242652]
  この研究は、量子シミュレーターを用いたがん分類のための新しいハイブリッド量子カーネルサポートベクターマシン(QKSVM)と、バイナリハリスホーク最適化(BHHO)に基づく遺伝子選択を組み合わせたものである。 提案手法は大腸および乳房のマイクロアレイデータセットに適用され、BHHOにより全遺伝子および選択された遺伝子で評価される。
  論文  参考訳（メタデータ） (2022-02-24T04:51:05Z)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Two-step penalised logistic regression for multi-omic data with an application to cardiometabolic syndrome [62.997667081978825]
  我々は,各層で変数選択を行うマルチオミックロジスティック回帰に対する2段階のアプローチを実装した。 私たちのアプローチは、可能な限り多くの関連する予測子を選択することを目標とすべきです。 提案手法により,分子レベルでの心筋メタボリックシンドロームの特徴を同定することができる。
  論文  参考訳（メタデータ） (2020-08-01T10:36:27Z)
• Accuracy of MRI Classification Algorithms in a Tertiary Memory Center Clinical Routine Cohort [40.24757332810004]
  自動体積測定ソフトウェア(AVS)は近年,神経放射線学者に広く普及している。 機械学習技術は診断を支援するための有望なアプローチとして登場した。
  論文  参考訳（メタデータ） (2020-03-19T08:44:46Z)
• VerSe: A Vertebrae Labelling and Segmentation Benchmark for Multi-detector CT Images [121.31355003451152]
  大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。 本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
  論文  参考訳（メタデータ） (2020-01-24T21:09:18Z)

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。