論文の概要: Quantum Network-Based Prediction of Cancer Driver Genes

• arxiv url: http://arxiv.org/abs/2510.12628v1
• Date: Tue, 14 Oct 2025 15:25:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 19:02:32.368955
• Title: Quantum Network-Based Prediction of Cancer Driver Genes
• Title（参考訳）: 量子ネットワークを用いた癌ドライバ遺伝子の予測
• Authors: Patricia Marques, Andreas Wichert, Duarte Magano, Bruno Coutinho,
• Abstract要約: 本稿では,突然変異スコアとネットワークトポロジを結合した教師付き量子フレームワークを提案する。 QMMEはノードの即時および二階隣人の突然変異スコアの低次統計モーメントを符号化し、この情報を量子状態に符号化する。 実証的なPPIネットワーク上のシミュレーションは、古典的なベースラインよりも12.6%のリコール率で競争性能を示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Identification of cancer driver genes is fundamental for the development of targeted therapeutic interventions. The integration of mutational profiles with protein-protein interaction (PPI) networks offers a promising avenue for their detection [ 1, 2], but scaling to large network datasets is computationally demanding. Quantum computing offers compact representations and potential complexity reductions. Motivated by the classical method of Gumpinger et al. [3], in this work we introduce a supervised quantum framework that combines mutation scores with network topology via a novel state preparation scheme, Quantum Multi-order Moment Embedding (QMME). QMME encodes low-order statistical moments over the mutation scores of a node's immediate and second-order neighbors, and encodes this information into quantum states. These are used as inputs to a kernel-based quantum binary classifier that discriminates known driver genes from others. Simulations on an empirical PPI network demonstrate competitive performance, with a 12.6% recall gain over a classical baseline. The pipeline performs explicit quantum state preparation and requires no classical training, enabling an efficient, nearly end-to-end quantum workflow. A brief complexity analysis suggests the approach could achieve a quantum speedup in network-based cancer gene prediction. This work underscores the potential of supervised quantum graph learning frameworks to advance biological discovery.
• Abstract（参考訳）: がんドライバー遺伝子の同定は、標的治療介入の開発に不可欠である。 変異プロファイルとタンパク質-タンパク質相互作用(PPI)ネットワークの統合は、その検出 [1, 2] に有望な道を提供するが、大規模なネットワークデータセットへのスケーリングは、計算的に要求されている。 量子コンピューティングはコンパクトな表現と潜在的な複雑性の低減を提供する。 本研究は,Gumpingerらによる古典的手法によるモチベーションにより,新しい状態準備スキームであるQuantum Multi-order Moment Embedding (QMME)を通じて,突然変異スコアとネットワークトポロジを組み合わせた教師付き量子フレームワークを導入する。 QMMEはノードの即時および二階隣人の突然変異スコアの低次統計モーメントを符号化し、この情報を量子状態に符号化する。 これらは、既知のドライバ遺伝子を他のドライバと区別するカーネルベースの量子バイナリ分類器への入力として使用される。 実証的なPPIネットワーク上のシミュレーションは、古典的なベースラインよりも12.6%のリコール率で競争性能を示している。 パイプラインは明示的な量子状態の準備を行い、古典的なトレーニングを必要とせず、効率的でほぼエンドツーエンドの量子ワークフローを実現する。 簡単な複雑性分析は、このアプローチがネットワークベースの癌遺伝子予測において量子スピードアップを達成する可能性を示唆している。 この研究は、生物学的な発見を促進するための教師付き量子グラフ学習フレームワークの可能性を強調している。

関連論文リスト

• Quantum parallel information exchange (QPIE) hybrid network with transfer learning [18.43273756128771]
  量子機械学習(QML)は、複雑なパターンを明らかにする可能性のある革新的なフレームワークとして登場した。 量子並列情報交換(QPIE)ハイブリッドネットワークを導入する。 量子処理ユニットにパラメータシフトルールを適用する動的勾配選択法を開発した。
  論文  参考訳（メタデータ） (2025-04-05T17:25:26Z)
• Tensor-Based Binary Graph Encoding for Variational Quantum Classifiers [3.5051814539447474]
  変分量子(VQC)を用いたグラフ分類のための新しい量子符号化フレームワークを提案する。 グラフ符号化に適したより複雑な回路を構築することにより、VQCが現在の量子ハードウェアの制約内でグラフを効果的に分類できることを実証する。
  論文  参考訳（メタデータ） (2025-01-24T02:26:21Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [62.46800898243033]
  量子学習理論の最近の進歩は、様々な古典的な入力によって生成された測定データから、大きな量子ビット回路の線形特性を効率的に学習できるのか? 我々は、小さな予測誤差を達成するためには、$d$で線形にスケーリングするサンプルの複雑さが必要であることを証明し、それに対応する計算複雑性は、dで指数関数的にスケールする可能性がある。 そこで本研究では,古典的影と三角展開を利用したカーネルベースの手法を提案し,予測精度と計算オーバーヘッドとのトレードオフを制御可能とした。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
  我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。 他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
  論文  参考訳（メタデータ） (2024-02-23T14:09:41Z)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• Quantum Federated Learning with Quantum Data [87.49715898878858]
  量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。 本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-30T12:19:27Z)
• Entangling Quantum Generative Adversarial Networks [53.25397072813582]
  量子生成逆数ネットワーク(量子GAN, EQ-GAN)のための新しいタイプのアーキテクチャを提案する。 EQ-GANはコヒーレントなエラーに対してさらなる堅牢性を示し、Google Sycamore超伝導量子プロセッサで実験的にEQ-GANの有効性を示す。
  論文  参考訳（メタデータ） (2021-04-30T20:38:41Z)
• The Hintons in your Neural Network: a Quantum Field Theory View of Deep Learning [84.33745072274942]
  線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。 ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
  論文  参考訳（メタデータ） (2021-03-08T17:24:29Z)
• Quantum Generative Adversarial Networks in a Continuous-Variable Architecture to Simulate High Energy Physics Detectors [0.0]
  連続可変量子計算に用いる新しい量子GAN(qGAN)のプロトタイプを導入し,解析する。 量子と古典的判別器を備えた2つのCV qGANモデルを用いて、小型でカロリーの出力を再現する実験を行った。
  論文  参考訳（メタデータ） (2021-01-26T23:33:14Z)
• Quantum State Discrimination on Reconfigurable Noise-Robust Quantum Networks [6.85316573653194]
  量子情報処理における根本的な問題は、システムの量子状態の集合の識別である。 本稿では、この問題を量子ウォークによって定義されるグラフによって記述されたオープン量子システム上で解決する。 ネットワークのパラメータを最適化し、正しい識別の確率を最大化する。
  論文  参考訳（メタデータ） (2020-03-25T19:07:03Z)

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。