論文の概要: Quantum Convolution for Structure-Based Virtual Screening
- arxiv url: http://arxiv.org/abs/2507.09667v1
- Date: Sun, 13 Jul 2025 15:03:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-15 18:48:23.677645
- Title: Quantum Convolution for Structure-Based Virtual Screening
- Title（参考訳）: 構造に基づく仮想スクリーニングのための量子畳み込み
- Authors: Pei-Kun Yang,
- Abstract要約: 構造ベースの仮想スクリーニング(SBVS)は、潜在的な薬物候補を特定するための重要な計算戦略である。
本研究では、デルタG_bindを効率的に推定する量子畳み込みニューラルネットワーク(QCNN)フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Structure-based virtual screening (SBVS) is a key computational strategy for identifying potential drug candidates by estimating the binding free energies (delta G_bind) of protein-ligand complexes. The immense size of chemical libraries, combined with the need to account for protein and ligand conformations as well as ligand translations and rotations, makes these tasks computationally intensive on classical hardware. This study proposes a quantum convolutional neural network (QCNN) framework to estimate delta G_bind efficiently. Using the PDBbind v2020 dataset, we trained QCNN models with 9 and 12 qubits, with the core set designated as the test set. The best-performing model achieved a Pearson correlation coefficient of 0.694 on the test set. To assess robustness, we introduced quantum noise under two configurations. While noise increased the root mean square deviation, the Pearson correlation coefficient remained largely stable. These results demonstrate the feasibility and noise tolerance of QCNNs for high-throughput virtual screening and highlight the potential of quantum computing to accelerate drug discovery.
- Abstract（参考訳）: 構造ベース仮想スクリーニング(Structure-based virtual screening, SBVS)は、タンパク質-リガンド複合体の結合自由エネルギー(デルタG_bind)を推定することにより、潜在的な薬物候補を特定するための重要な計算戦略である。
化学ライブラリーの膨大なサイズは、タンパク質やリガンドのコンフォメーション、リガンドの翻訳や回転を考慮に入れる必要性と相まって、これらのタスクは古典的なハードウェアに計算的に集中している。
本研究では、デルタG_bindを効率的に推定する量子畳み込みニューラルネットワーク(QCNN)フレームワークを提案する。
PDBbind v2020データセットを使用して、コアセットをテストセットとして、9および12キュービットのQCNNモデルをトレーニングしました。
最適性能モデルは,テストセット上でのピアソン相関係数0.694を達成した。
ロバスト性を評価するため、2つの構成で量子ノイズを導入した。
雑音は根の平均平方偏差を増大させたが、ピアソン相関係数は概ね安定であった。
これらの結果は,QCNNの高スループット仮想スクリーニングの実現可能性と耐雑音性を示し,薬物発見を加速する量子コンピューティングの可能性を強調した。
関連論文リスト
- TensoMeta-VQC: A Tensor-Train-Guided Meta-Learning Framework for Robust and Scalable Variational Quantum Computing [60.996803677584424]
TensoMeta-VQCは、VQCの堅牢性とスケーラビリティを大幅に向上させるために設計された、TT誘導型メタラーニングフレームワークである。
我々のフレームワークは、量子回路パラメータの生成を古典的なTTネットワークに完全に委譲し、量子ハードウェアから最適化を効果的に分離する。
論文 参考訳（メタデータ） (2025-08-01T23:37:55Z) - Quantum Machine Learning for Predicting Binding Free Energies in Structure-Based Virtual Screening [0.0]
分子情報を量子状態にエンコードする量子機械学習手法を導入する。
6つの量子回路ユニットを持つモデルでは、RMSDは2.37 kcal/mol、ピアソン相関は0.650である。
論文 参考訳（メタデータ） (2025-07-24T14:01:39Z) - An Efficient Quantum Classifier Based on Hamiltonian Representations [50.467930253994155]
量子機械学習(QML)は、量子コンピューティングの利点をデータ駆動タスクに移行しようとする分野である。
入力をパウリ弦の有限集合にマッピングすることで、データ符号化に伴うコストを回避できる効率的な手法を提案する。
我々は、古典的および量子モデルに対して、テキストおよび画像分類タスクに対する我々のアプローチを評価する。
論文 参考訳（メタデータ） (2025-04-13T11:49:53Z) - Hybrid Quantum Neural Networks with Variational Quantum Regressor for Enhancing QSPR Modeling of CO2-Capturing Amine [0.9968037829925945]
我々は,CO2捕捉アミンの構造-適合関係モデルを改善するために,ハイブリッド量子ニューラルネットワーク(HQNN)を開発した。
HQNNは、塩基性、粘性、沸点、融点、蒸気圧などの主要な溶媒特性の予測精度を向上させる。
論文 参考訳（メタデータ） (2025-03-01T07:26:45Z) - BenchQC: A Benchmarking Toolkit for Quantum Computation [0.4037357056611557]
変分量子固有解法 (VQE) は化学および材料科学における量子コンピューティング応用のための有望なアルゴリズムである。
本研究は、アルミニウムクラスターの基底状態エネルギーを計算するためのVQEの性能をベンチマークする。
論文 参考訳（メタデータ） (2025-02-13T18:51:08Z) - Benchmarking Quantum Convolutional Neural Networks for Classification and Data Compression Tasks [0.4379805041989628]
量子畳み込みニューラルネットワーク(QCNN)は、量子機械学習タスクの有望なモデルとして登場した。
本稿では,量子基底状態の位相を分類するハードウェア効率アンサッツ(HEA)と比較してQCNNの性能について検討する。
論文 参考訳（メタデータ） (2024-11-20T17:17:09Z) - Extending Quantum Perceptrons: Rydberg Devices, Multi-Class Classification, and Error Tolerance [67.77677387243135]
量子ニューロモーフィックコンピューティング(QNC)は、量子計算とニューラルネットワークを融合して、量子機械学習(QML)のためのスケーラブルで耐雑音性のあるアルゴリズムを作成する
QNCの中核は量子パーセプトロン(QP)であり、相互作用する量子ビットのアナログダイナミクスを利用して普遍的な量子計算を可能にする。
論文 参考訳（メタデータ） (2024-11-13T23:56:20Z) - Memory-Augmented Hybrid Quantum Reservoir Computing [0.0]
本稿では、量子計測の古典的後処理を通じてメモリを実装するハイブリッド量子古典的アプローチを提案する。
我々は、完全に連結されたIsingモデルとRydberg原子配列の2つの物理プラットフォーム上でモデルをテストした。
論文 参考訳（メタデータ） (2024-09-15T22:44:09Z) - Importance sampling for stochastic quantum simulations [68.8204255655161]
我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。
サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。
格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
論文 参考訳（メタデータ） (2022-12-12T15:06:32Z) - Toward Trainability of Quantum Neural Networks [87.04438831673063]
量子ニューラルネットワーク(QNN)は、量子スピードアップを達成するために古典的ニューラルネットワークの一般化として提案されている。
QNNのトレーニングには、入力キュービット数に指数関数的に勾配速度がなくなるため、非常に大きなボトルネックが存在する。
木テンソルとステップ制御された構造を持つQNNを二分分類に適用し,ランダムな構造を持つQNNと比較してより高速な収束率と精度を示す。
論文 参考訳（メタデータ） (2020-11-12T08:32:04Z) - On the learnability of quantum neural networks [132.1981461292324]
本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。
また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
論文 参考訳（メタデータ） (2020-07-24T06:34:34Z)
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。