論文の概要: HIV-1 protease cleavage sites detection with a Quantum convolutional neural network algorithm

• arxiv url: http://arxiv.org/abs/2510.01993v1
• Date: Thu, 02 Oct 2025 13:13:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 21:54:12.834828
• Title: HIV-1 protease cleavage sites detection with a Quantum convolutional neural network algorithm
• Title（参考訳）: 量子畳み込みニューラルネットワークによるHIV-1プロテアーゼ切断部位の検出
• Authors: Junggu Choi, Junho Lee, Kyle L. Jung, Jae U. Jung,
• Abstract要約: ウイルスおよびヒトタンパク質のアミノ酸配列中のHIV-1プロテアーゼ切断部位を予測するために,NQEを用いた量子畳み込みニューラルネットワーク(QCNN)ベースのフレームワークを提案する。 ノイズレス,ノイズの多い両シミュレーションにおいて,従来のニューラルネットワークと比較して分類性能を比較した。 本研究では,NQEを付加したQCNNをHIV-1切断部位分類に適用し,バイオメディカルデータに対するスケーラブルでノイズ耐性の量子機械学習の新しい知見を提供する。
• 参考スコア（独自算出の注目度）: 10.118236414441105
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In this study, we propose a quantum convolutional neural network (QCNN)-based framework with the neural quantum embedding (NQE) to predict HIV-1 protease cleavage sites in amino acid sequences from viral and human proteins. To assess the effectiveness and robustness of our framework, we compared the classification performance against classical neural networks under both noiseless and noisy simulations. Among experimental conditions, the QCNN with the angle and amplitude encoding NQE conditions consistently outperformed classical counterparts in both the similar trainable parameter scale and the different number of qubits (the averaged performance of the 4-qubits and 8-qubits QCNN: 0.9146 and 0.8929 / the averaged performance of the classical neural network: 0.6125 and 0.8278). The QCNN with the NQE showed stable performance under the quantum hardware noise, confirming its applicability to biomedical data analysis with the noise intermediate-scale quantum (NISQ) hardware. This study presents the first application of NQE-augmented QCNNs for HIV-1 cleavage site classification, providing new insights into scalable and noise-resilient quantum machine learning for biomedical data.
• Abstract（参考訳）: 本研究では,ウイルスおよびヒトタンパク質のアミノ酸配列中のHIV-1プロテアーゼ切断部位を予測するために,NQEを用いた量子畳み込みニューラルネットワーク(QCNN)ベースのフレームワークを提案する。 提案手法の有効性とロバスト性を評価するため,従来のニューラルネットワークと比較した。 実験条件の中で、NQE条件を符号化する角度と振幅のQCNNは、類似のトレーニング可能なパラメータスケールと異なるキュービット数の両方において、古典的(4量子ビットと8量子ビットの平均性能:0.9146と0.8929 / 古典的ニューラルネットワークの平均性能:0.6125と0.8278)に一貫して優れていた。 NQEを用いたQCNNは、量子ハードウェアノイズの下で安定した性能を示し、ノイズ中間スケール量子(NISQ)ハードウェアを用いたバイオメディカルデータ解析への適用性を確認した。 本研究では,NQEを付加したQCNNをHIV-1切断部位分類に適用し,バイオメディカルデータに対するスケーラブルでノイズ耐性の量子機械学習の新しい知見を提供する。

関連論文リスト

• HQCNN: A Hybrid Quantum-Classical Neural Network for Medical Image Classification [0.0]
  本稿では,二進分類と多進分類のための新しいハイブリッド量子古典ニューラルネットワーク(HQCNN)を提案する。 HQCNNのアーキテクチャは、5層の古典的畳み込みバックボーンと4ビットの変動量子回路を統合している。 このモデルを6つのMedMNIST v2ベンチマークデータセットで評価する。
  論文  参考訳（メタデータ） (2025-09-16T08:02:53Z)
• Benchmarking Quantum Convolutional Neural Networks for Signal Classification in Simulated Gamma-Ray Burst Detection [29.259008600842517]
  本研究は,ガンマ線バースト(GRB)に似た信号の同定に量子畳み込みニューラルネットワーク(QCNN)を用いたことを評価する。 量子シミュレータでトレーニングしたQCNNを用いて,Qiskitフレームワークを用いたハイブリッド量子古典機械学習手法を実装した。 QCNNは時系列データセット上で堅牢な性能を示し,高い精度でGRB信号の検出に成功した。
  論文  参考訳（メタデータ） (2025-01-28T16:07:12Z)
• Quantum Neural Networks: A Comparative Analysis and Noise Robustness Evaluation [4.2435928520499635]
  現在のノイズの多い中間規模量子(NISQ)デバイスでは、ハイブリッド量子ニューラルネットワーク(HQNN)が有望なソリューションを提供する。 QCNN(Quantum Convolution Neural Network)、Quannal Neural Network(QuanNN)、Quantum Transfer Learning(QTL)など、様々なHQNNアルゴリズムの比較分析を行う。 我々は,異なる絡み合い構造を持つ量子回路における各アルゴリズムの性能,層数の変化,アーキテクチャにおける最適配置を評価する。
  論文  参考訳（メタデータ） (2025-01-24T11:23:26Z)
• A Hybrid Neural Coding Approach for Pattern Recognition with Spiking Neural Networks [53.31941519245432]
  脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、パターン認識タスクを解く上で有望な能力を示している。 これらのSNNは、情報表現に一様神経コーディングを利用する同質ニューロンに基づいている。 本研究では、SNNアーキテクチャは異種符号化方式を組み込むよう、均質に設計されるべきである、と論じる。
  論文  参考訳（メタデータ） (2023-05-26T02:52:12Z)
• Problem-Dependent Power of Quantum Neural Networks on Multi-Class Classification [83.20479832949069]
  量子ニューラルネットワーク(QNN)は物理世界を理解する上で重要なツールとなっているが、その利点と限界は完全には理解されていない。 本稿では,多クラス分類タスクにおけるQCの問題依存力について検討する。 我々の研究はQNNの課題依存力に光を当て、その潜在的なメリットを評価するための実践的なツールを提供する。
  論文  参考訳（メタデータ） (2022-12-29T10:46:40Z)
• Random Quantum Neural Networks (RQNN) for Noisy Image Recognition [0.9205287316703888]
  本稿では,RQNN (Random Quantum Neural Networks) の新たなクラスについて紹介する。 提案するRQNNは、重ね合わせ状態と振幅符号化機能を備えたハイブリッド古典量子アルゴリズムを用いる。 MNIST、FashionMNIST、KMNISTデータセットの実験により、提案されたRQNNモデルは平均分類精度が94.9%であることを示した。
  論文  参考訳（メタデータ） (2022-03-03T15:15:29Z)
• On Circuit-based Hybrid Quantum Neural Networks for Remote Sensing Imagery Classification [88.31717434938338]
  ハイブリッドQCNNは、標準ニューラルネットワーク内に量子層を導入することで、CNNの古典的なアーキテクチャを豊かにする。 この研究で提案された新しいQCNNは、地球観測(EO)のユースケースとして選択された土地利用・土地被覆(LULC)分類に適用される。 マルチクラス分類の結果は,QCNNの性能が従来の性能よりも高いことを示すことによって,提案手法の有効性を証明した。
  論文  参考訳（メタデータ） (2021-09-20T12:41:50Z)
• Quantum convolutional neural network for classical data classification [0.8057006406834467]
  古典データ分類のための完全パラメータ化量子畳み込みニューラルネットワーク(QCNN)をベンチマークする。 本稿では,CNNにインスパイアされた量子ニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2021-08-02T06:48:34Z)

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。