論文の概要: Multimodal Quantum Vision Transformer for Enzyme Commission Classification from Biochemical Representations

• arxiv url: http://arxiv.org/abs/2508.14844v1
• Date: Wed, 20 Aug 2025 16:56:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-21 16:52:41.531468
• Title: Multimodal Quantum Vision Transformer for Enzyme Commission Classification from Biochemical Representations
• Title（参考訳）: 生化学的表現からの酵素委員会分類のためのマルチモーダル量子ビジョン変換器
• Authors: Murat Isik, Mandeep Kaur Saggi, Humaira Gowher, Sabre Kais,
• Abstract要約: 本稿では,酵素委員会(EC)分類を強化した新しいマルチモーダル量子機械学習フレームワークを提案する。 タンパク質配列の埋め込み,量子電子ディスクリプタ,分子グラフ構造,および2次元分子画像表現の4つの相補的な生化学的モダリティを統合する。 実験結果から,我々のマルチモーダルQVTモデルが85.1%のTop-1精度を実現し,シーケンスのみのベースラインを実質的なマージンで上回った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurately predicting enzyme functionality remains one of the major challenges in computational biology, particularly for enzymes with limited structural annotations or sequence homology. We present a novel multimodal Quantum Machine Learning (QML) framework that enhances Enzyme Commission (EC) classification by integrating four complementary biochemical modalities: protein sequence embeddings, quantum-derived electronic descriptors, molecular graph structures, and 2D molecular image representations. Quantum Vision Transformer (QVT) backbone equipped with modality-specific encoders and a unified cross-attention fusion module. By integrating graph features and spatial patterns, our method captures key stereoelectronic interactions behind enzyme function. Experimental results demonstrate that our multimodal QVT model achieves a top-1 accuracy of 85.1%, outperforming sequence-only baselines by a substantial margin and achieving better performance results compared to other QML models.
• Abstract（参考訳）: 酵素機能の正確な予測は、計算生物学、特に限られた構造アノテーションや配列ホモロジーを持つ酵素の主要な課題の1つである。 本稿では, タンパク質配列埋め込み, 量子由来電子ディスクリプタ, 分子グラフ構造, および2次元分子画像表現の4つの相補的な生化学的特徴を統合することで, 酵素委員会(EC)分類を強化する新しいマルチモーダル量子機械学習(QML)フレームワークを提案する。 量子ビジョントランス (Quantum Vision Transformer, QVT) は、モダリティ固有のエンコーダと統合されたクロスアテンション融合モジュールを備えたバックボーンである。 グラフの特徴と空間パターンを統合することにより,酵素機能の背後にある重要な立体電子相互作用を捉える。 実験結果から,我々のマルチモーダルQVTモデルは85.1%のTop-1精度を達成し,シーケンスのみのベースラインをかなりのマージンで上回り,他のQMLモデルよりも優れた性能が得られることが示された。

関連論文リスト

• Quantum Phase Transitions in Coherent Ising Machines: XY Model for Demonstration [0.5735035463793009]
  コヒーレントイジングマシン(CIM)における量子位相遷移(QPT)について,スペクトルマッピングを用いて検討した。 CIMは最適化問題を解決するための強力なプラットフォームとして機能するだけでなく、普遍的な量子臨界現象を研究するための多用途光学シミュレータを提供する。
  論文  参考訳（メタデータ） (2025-12-29T07:10:15Z)
• Learning Cell-Aware Hierarchical Multi-Modal Representations for Robust Molecular Modeling [74.25438319700929]
  分子と細胞応答の局所的グローバル依存性をモデル化する堅牢なフレームワークであるCHMR(Cell-aware Hierarchical Multi-modal Representations)を提案する。 728タスクにまたがる9つの公開ベンチマークで評価され、CHMRは最先端のベースラインを上回っている。 その結果, 階層認識型マルチモーダル学習による分子表現の信頼性, 生物学的基盤化の利点が示された。
  論文  参考訳（メタデータ） (2025-11-26T07:15:00Z)
• Quantum-centric machine learning for molecular dynamics [9.147935750042352]
  ab initio法は、あらゆる核配置における電子状態の自己一貫性の最適化を必要とする。 量子中心機械学習(QCML)モデルを導入する。 トランスフォーマーを様々な分子のデータセットで事前訓練することにより、QCMLは分子記述子とPQCパラメータ間の転送可能なマッピングを学習する。
  論文  参考訳（メタデータ） (2025-11-11T02:41:31Z)
• HemePLM-Diffuse: A Scalable Generative Framework for Protein-Ligand Dynamics in Large Biomolecular System [0.0]
  本稿では,タンパク質リガンド軌道の正確なシミュレーションを目的とした,革新的な生成変換モデルであるHemeM-Diffuseを紹介する。 本稿では,3CQV HEMEシステムを用いて,TorchMD-Net,MDGEN,Uni-Molなどの先行モデルと比較して,精度とスケーラビリティを向上した性能を示す。
  論文  参考訳（メタデータ） (2025-08-07T17:29:52Z)
• Multi-Photon Quantum Rabi Models with Center-of-Mass Motion [45.73541813564926]
  本稿では,多価ロンバダの原子を空洞内で記述するための厳密な第二量子化フレームワークを提案する。 このアプローチの重要な特徴は、ハミルトニアン平均化理論の原子場作用素への体系的応用である。 顕著な発見は、粒子-粒子相互作用の出現である。
  論文  参考訳（メタデータ） (2025-07-07T09:50:48Z)
• Molecular Quantum Transformer [0.0]
  分子量子変換器(MQT)は、全ての構成の基底状態エネルギーを効率的に計算できる。 提案手法は, 既存の量子アルゴリズムの代替として, 基底状態エネルギーを推定する。
  論文  参考訳（メタデータ） (2025-03-27T16:54:15Z)
• UniGenX: a unified generative foundation model that couples sequence, structure and function to accelerate scientific design across proteins, molecules and materials [62.72989417755985]
  自然系における関数の統一生成モデルUniGenXを提案する。 UniGenXはシンボルトークンと数値トークンの混合ストリームとして異種入力を表す。 ドメイン間のファンクション・アウェア・ジェネレーションに対して、最先端または競合的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-03-09T16:43:07Z)
• Leveraging Machine Learning to Overcome Limitations in Quantum Algorithms [0.0]
  本研究は,機械学習(ML)と量子アルゴリズムを組み合わせたハイブリッドフレームワークを提案する。 PubChemの分子特性を用いて,3つのデータセット(ケミカルディスクリプタ,クーロンマトリックス,ハイブリッド組み合わせ)を調製した。 XGBは4.41 pm 11.18%$で、RF(5.56 pm 11.66%$)とLGBM(5.32 pm 12.87%$)を上回った。
  論文  参考訳（メタデータ） (2024-12-16T03:14:14Z)
• 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)
• Variational Quantum Imaginary Time Evolution for Matrix Product State Ansatz with Tests on Transcorrelated Hamiltonians [11.985673663540688]
  マトリックス生成物状態(MPS)アンザッツは、分子ハミルトンの基底状態を見つけるための有望なアプローチを提供する。 本稿では,変分量子想像時間進化(VarQITE)手法を用いて,QCMPSアンサッツの最適化性能を向上させる。
  論文  参考訳（メタデータ） (2024-07-15T08:28:52Z)
• Multimodal Prototyping for cancer survival prediction [45.61869793509184]
  ギガピクセルヒストロジー全体スライディング画像(WSI)と転写学的プロファイルを組み合わせたマルチモーダルサバイバル法は,患者の予後と成層化に特に有望である。 現在のアプローチでは、WSIを小さなパッチ(>10,000パッチ)にトークン化し、トランスクリプトミクスを遺伝子グループに分割し、結果を予測するためにTransformerを使用して統合する。 このプロセスは多くのトークンを生成し、これは注意を計算するための高いメモリ要求をもたらし、ポストホック解釈可能性分析を複雑にする。 我々のフレームワークは、新しい解釈可能性解析を解き放ちながら、はるかに少ない計算で最先端の手法より優れている。
  論文  参考訳（メタデータ） (2024-06-28T20:37:01Z)
• PACIA: Parameter-Efficient Adapter for Few-Shot Molecular Property Prediction [41.631010796783706]
  パラメータ効率のよいMPP用GNNアダプタであるPACIAを提案する。 次に,タスクレベルではエンコーダ,クエリレベルでは予測器に適応するため,階層的な適応機構を採用する。
  論文  参考訳（メタデータ） (2023-10-01T08:28:04Z)
• Learning Multiscale Consistency for Self-supervised Electron Microscopy Instance Segmentation [48.267001230607306]
  本稿では,EMボリュームのマルチスケール一貫性を高める事前学習フレームワークを提案する。 当社のアプローチでは,強力なデータ拡張と弱いデータ拡張を統合することで,Siameseネットワークアーキテクチャを活用している。 効果的にボクセルと機能の一貫性をキャプチャし、EM分析のための転送可能な表現を学習する。
  論文  参考訳（メタデータ） (2023-08-19T05:49:13Z)
• A self-consistent field approach for the variational quantum eigensolver: orbital optimization goes adaptive [52.77024349608834]
  適応微分組立問題集合型アンザッツ変分固有解法(ADAPTVQE)における自己一貫したフィールドアプローチ(SCF)を提案する。 このフレームワークは、短期量子コンピュータ上の化学系の効率的な量子シミュレーションに使用される。
  論文  参考訳（メタデータ） (2022-12-21T23:15:17Z)

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。