論文の概要: Q2SAR: A Quantum Multiple Kernel Learning Approach for Drug Discovery

• arxiv url: http://arxiv.org/abs/2506.14920v1
• Date: Tue, 17 Jun 2025 19:00:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-19 19:35:51.45805
• Title: Q2SAR: A Quantum Multiple Kernel Learning Approach for Drug Discovery
• Title（参考訳）: Q2SAR: 医薬品発見のための量子多重カーネル学習アプローチ
• Authors: Alejandro Giraldo, Daniel Ruiz, Mariano Caruso, Javier Mancilla, Guido Bellomo,
• Abstract要約: 本研究は、QSAR分類を強化するために、量子多重カーネル学習フレームワークを成功させたことを実証する。 本手法をDYRK1Aキナーゼ阻害剤を同定するためのデータセットに適用する。 古典的なグラディエントブースティングモデルに対してQMKL-SVMをベンチマークすることにより、量子化アプローチがより優れたAUCスコアを達成することを示す。
• 参考スコア（独自算出の注目度）: 39.58317527488534
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Quantitative Structure-Activity Relationship (QSAR) modeling is a cornerstone of computational drug discovery. This research demonstrates the successful application of a Quantum Multiple Kernel Learning (QMKL) framework to enhance QSAR classification, showing a notable performance improvement over classical methods. We apply this methodology to a dataset for identifying DYRK1A kinase inhibitors. The workflow involves converting SMILES representations into numerical molecular descriptors, reducing dimensionality via Principal Component Analysis (PCA), and employing a Support Vector Machine (SVM) trained on an optimized combination of multiple quantum and classical kernels. By benchmarking the QMKL-SVM against a classical Gradient Boosting model, we show that the quantum-enhanced approach achieves a superior AUC score, highlighting its potential to provide a quantum advantage in challenging cheminformatics classification tasks.
• Abstract（参考訳）: 量的構造-活性関係(QSAR)モデリングは、計算薬物発見の基盤となっている。 本研究は、QSAR分類を向上させるために量子多重カーネル学習(QMKL)フレームワークを成功させたことを示し、古典的手法よりも顕著な性能向上を示した。 本手法をDYRK1Aキナーゼ阻害剤を同定するためのデータセットに適用する。 このワークフローはSMILES表現を数値的な分子記述子に変換し、主成分分析(PCA)を通して次元を減らし、複数の量子カーネルと古典カーネルの最適化された組み合わせに基づいてトレーニングされたサポートベクトルマシン(SVM)を使用する。 古典的なグラディエントブースティングモデルに対してQMKL-SVMをベンチマークすることにより、量子化アプローチが優れたAUCスコアを達成することを示し、化学情報学の分類課題に挑戦する上で量子的優位性を提供する可能性を強調した。

関連論文リスト

• Quantum QSAR for drug discovery [41.94295877935867]
  量的構造-活性関係(QSAR)モデリングは、薬物発見の鍵となる。 本研究では,量子支援ベクトルマシン(QSVM)によるQSAR技術の向上を提案する。 量子データ符号化と量子カーネル関数を用いて,より正確かつ効率的な予測モデルの構築を目指す。
  論文  参考訳（メタデータ） (2025-05-06T17:58:33Z)
• Quantum Phases Classification Using Quantum Machine Learning with SHAP-Driven Feature Selection [0.0]
  ANNNI(Axial Next-Nearest Neighbor Ising)モデル内で量子位相を分類する革新的な手法を提案する。 我々の研究は、量子支援ベクトル(QSVM)と変分量子(VQC)の2つの顕著なQMLアルゴリズムに焦点を当てている。 その結果,QSVMとVQCはいずれも,5ないし6つの重要な特徴に制限された場合の予測精度が極めて高いことがわかった。
  論文  参考訳（メタデータ） (2025-04-14T19:51:26Z)
• 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)
• Benefiting from Quantum? A Comparative Study of Q-Seg, Quantum-Inspired Techniques, and U-Net for Crack Segmentation [41.01256771536732]
  本研究は, クラックセグメンテーションの古典モデルと比較して, 量子および量子に着想を得た手法の性能を評価する。 以上の結果から,量子インスパイアされた量子法と量子法は,特に複雑なクラックパターンに対して,画像セグメンテーションに有望な代替手段を提供し,近未来の応用に応用できることが示唆された。
  論文  参考訳（メタデータ） (2024-10-14T16:51:59Z)
• Quantum Machine Learning with Application to Progressive Supranuclear Palsy Network Classification [0.0]
  進行性核上麻痺(PSP)の診断のための量子機械学習モデルを提案する。 その結果、量子機械学習は古典的なフレームワークよりも顕著に進歩し、性能を上回っていることが示唆された。 特に,IBM量子プラットフォームの量子シミュレータと実チップの両面において,本モデルの有効性を実証した。
  論文  参考訳（メタデータ） (2024-07-06T14:16:31Z)
• Towards Transfer Learning for Large-Scale Image Classification Using Annealing-based Quantum Boltzmann Machines [7.106829260811707]
  本稿では,Quantum Annealing (QA) を用いた画像分類手法を提案する。 本稿では,アニール型量子ボルツマンマシンをハイブリッド量子古典パイプラインの一部として用いることを提案する。 提案手法は,テスト精度とAUC-ROC-Scoreの点で,古典的ベースラインを一貫して上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-11-27T16:07:49Z)
• Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
  変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。 テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。 この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
  論文  参考訳（メタデータ） (2023-05-18T03:08:18Z)
• Quantum Machine Learning Framework for Virtual Screening in Drug Discovery: a Prospective Quantum Advantage [0.0]
  量子統合ワークフローは、最先端の古典的アルゴリズムと比較して有意義な優位性が得られることを示す。 また、ADRB2およびCOVID-19データセットを用いてIBM Quantumプロセッサ上でアルゴリズムをテストし、ハードウェアシミュレーションが予測された性能と一致し、古典的な等価性を上回る結果が得られることを示した。
  論文  参考訳（メタデータ） (2022-04-08T12:05:27Z)
• Reducing Unitary Coupled Cluster Circuit Depth by Classical Stochastic Amplitude Pre-Screening [0.0]
  Unitary Coupled Cluster (UCC)アプローチは、量子化学計算を実行するために量子ハードウェアを利用するための魅力的な方法である。 本稿では,従来のUCC前処理ステップを用いてUCCアンサッツの重要な励起を判定する,古典量子と古典量子の併用手法を提案する。
  論文  参考訳（メタデータ） (2021-08-24T18:34:14Z)
• Quantum Machine Learning with SQUID [64.53556573827525]
  分類問題に対するハイブリッド量子古典アルゴリズムを探索するオープンソースフレームワークであるScaled QUantum IDentifier (SQUID)を提案する。 本稿では、一般的なMNISTデータセットから標準バイナリ分類問題にSQUIDを使用する例を示す。
  論文  参考訳（メタデータ） (2021-04-30T21:34:11Z)

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。