論文の概要: Feedback-Based Quantum Control for Safe and Synergistic Drug Combination Design

• arxiv url: http://arxiv.org/abs/2601.18082v1
• Date: Mon, 26 Jan 2026 02:30:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:08.623265
• Title: Feedback-Based Quantum Control for Safe and Synergistic Drug Combination Design
• Title（参考訳）: 安全・相乗的薬物複合設計のためのフィードバック型量子制御
• Authors: Mai Nguyen Phuong Nhi, Lan Nguyen Tran, Le Bin Ho,
• Abstract要約: 薬物と薬物の相互作用(DDI)は、組み合わせ療法の安全性と効果に影響を与える。 DDIを意識した薬物の組み合わせ最適化のための量子制御に基づく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://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Drug-drug interactions (DDIs) strongly affect the safety and efficacy of combination therapies. Despite the availability of large DDI databases, selecting optimal multi-drug combinations that balance safety, therapeutic benefit, and regimen size remains a challenging combinatorial optimization problem. Here, we present a quantum-control-based framework for DDI-aware drug combination optimization, in which known harmful and synergistic interactions are encoded into Ising Hamiltonians as penalties and rewards, respectively. The optimization is performed using the feedback-based quantum algorithm FALQON, a gradient-free variational approach. We study two clinically motivated tasks: the Maximum Safe Subset problem and the Synergy-Constrained Optimization problem. Numerical simulations using interaction data from Drugs.com and SYNERGxDB demonstrate efficient convergence and high-quality solutions for clinically relevant drug sets, including COVID-19 case studies.
• Abstract（参考訳）: 薬物と薬物の相互作用(DDI)は、組み合わせ療法の安全性と有効性に強く影響を及ぼす。 大規模なDDIデータベースが利用可能であるにもかかわらず、安全性、治療効果、レギュレンサイズのバランスをとる最適なマルチドラッグの組み合わせを選択することは、依然として困難な組合せ最適化問題である。 本稿では, 有害な相互作用と相乗効果の既知の相互作用を, 罰則と報奨としてイジング・ハミルトンに符号化したDDI対応薬物組合せ最適化のための量子制御に基づくフレームワークを提案する。 この最適化は、勾配のない変分法であるフィードバックベースの量子アルゴリズム FALQON を用いて行われる。 本研究は,最大セーフセット問題とSynergy-Constrained Optimization問題という,臨床的に動機付けられた2つのタスクについて検討する。 Drugs.comとSynERGxDBの相互作用データを用いたシミュレーションでは、新型コロナウイルスのケーススタディを含む臨床関連薬物セットに対する効率的な収束と高品質なソリューションが示されている。

関連論文リスト

• A Hybrid Computational Intelligence Framework with Metaheuristic Optimization for Drug-Drug Interaction Prediction [0.8602553195689512]
  薬物と薬物の相互作用(DDI)は予防可能な有害事象の主要な原因であり、しばしば治療を複雑にし、医療費を増大させる。 本稿では、DDI予測を改善するために、現代の機械学習とドメイン知識を融合した解釈可能かつ効率的なフレームワークを提案する。 提案手法は, フラグメントレベルの構造パターンをキャプチャする Mol2Vec と, 文脈化学的特徴を学習する SMILES-BERT の2つの補完的な埋め込みを組み合わせる。
  論文  参考訳（メタデータ） (2025-10-08T09:55:18Z)
• Fine-grained List-wise Alignment for Generative Medication Recommendation [30.397147691681607]
  大規模言語モデル(LLM)のための細粒度リストワイドアライメントフレームワークであるFLAMEを提案する。 FLAMEはレコメンデーションをシーケンシャルな決定プロセスとして定式化し、各ステップが1つの薬を添加または除去する。 ベンチマークデータセットの実験では、FLAMEが最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2025-05-26T16:59:23Z)
• Preference Optimization for Combinatorial Optimization Problems [54.87466279363487]
  強化学習(Reinforcement Learning, RL)は、ニューラルネットワーク最適化のための強力なツールとして登場した。 大幅な進歩にもかかわらず、既存のRLアプローチは報酬信号の減少や大規模な行動空間における非効率な探索といった課題に直面している。 統計的比較モデルを用いて定量的報酬信号を定性的選好信号に変換する新しい手法であるPreference Optimizationを提案する。
  論文  参考訳（メタデータ） (2025-05-13T16:47:00Z)
• DrugImproverGPT: A Large Language Model for Drug Optimization with Fine-Tuning via Structured Policy Optimization [53.27954325490941]
  大規模言語モデル(LLM)の微調整は、特定の目的に向けて結果を生成するために不可欠である。 本研究は,薬物最適化LSMに基づく生成モデルを微調整するための新しい強化学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-02-11T04:00:21Z)
• Bayesian Parameterized Quantum Circuit Optimization (BPQCO): A task and hardware-dependent approach [49.89480853499917]
  変分量子アルゴリズム(VQA)は、最適化と機械学習問題を解決するための有望な量子代替手段として登場した。 本稿では,回路設計が2つの分類問題に対して得られる性能に与える影響を実験的に示す。 また、実量子コンピュータのシミュレーションにおいて、ノイズの存在下で得られた回路の劣化について検討する。
  論文  参考訳（メタデータ） (2024-04-17T11:00:12Z)
• ESCADA: Efficient Safety and Context Aware Dose Allocation for Precision Medicine [9.023847175654602]
  最適な個別化された治療体制を見つけることは、最も困難な精密医療問題の一つである。 本稿では,この問題構造に対する汎用アルゴリズムであるESCADAを提案する。 我々は、安全保証とともに、ESCADAの後悔に基づく高い確率上限を導出する。
  論文  参考訳（メタデータ） (2021-11-26T10:36:57Z)
• Multi-Objective Constrained Optimization for Energy Applications via Tree Ensembles [55.23285485923913]
  エネルギーシステムの最適化問題は、強い非線形系の挙動と複数の競合する目的のために複雑である。 場合によっては、提案された最適解は、物理的性質や安全クリティカルな操作条件に関連する明示的な入力制約に従う必要がある。 本稿では,ブラックボックス問題に対する制約付き多目的最適化のためのツリーアンサンブルを用いた新しいデータ駆動戦略を提案する。
  論文  参考訳（メタデータ） (2021-11-04T20:18:55Z)
• SafeDrug: Dual Molecular Graph Encoders for Safe Drug Recommendations [59.590084937600764]
  医薬品の分子構造とDDIのモデルを明確に活用するために、SafeDrugというDDI制御可能な薬物推奨モデルを提案する。 ベンチマークデータセットでは、SafeDrugはDDIを19.43%削減し、Jaccardの推奨薬物と実際に処方された薬物の組み合わせの2.88%を改善します。
  論文  参考訳（メタデータ） (2021-05-05T00:20:48Z)
• Learning for Dose Allocation in Adaptive Clinical Trials with Safety Constraints [84.09488581365484]
  新しい化合物の有効性と毒性の関係がより複雑になるにつれて、第1相線量測定試験はますます困難になっている。 最も一般的に使われている方法は、毒性事象のみから学習することで、最大許容量(MTD)を特定することである。 本稿では, 毒性安全性の制約を高い確率で満たしつつ, 累積効果を最大化することを目的とした, 適応型臨床試験手法を提案する。
  論文  参考訳（メタデータ） (2020-06-09T03:06:45Z)
• A Node Embedding Framework for Integration of Similarity-based Drug Combination Prediction [7.4517333921953215]
  我々は,合成薬物の組み合わせを予測するために,NEMNのネットワーク埋め込みフレームワークを提案する。 マルチプレックスドラッグ類似性ネットワークに基づいて,異なる側面から有用な情報を統合するための代替手法を提案する。 薬物併用予測では, 外部情報源で検証した新薬を7種類検出した。
  論文  参考訳（メタデータ） (2020-02-25T02:24:47Z)

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。