論文の概要: Quantum Hamiltonian Learning using Time-Resolved Measurement Data and its Application to Gene Regulatory Network Inference

• arxiv url: http://arxiv.org/abs/2602.19496v1
• Date: Mon, 23 Feb 2026 04:31:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.671971
• Title: Quantum Hamiltonian Learning using Time-Resolved Measurement Data and its Application to Gene Regulatory Network Inference
• Title（参考訳）: 時間分解計測データを用いた量子ハミルトン学習とその遺伝子制御ネットワーク推論への応用
• Authors: Mohammad Aamir Sohail, Ranga R. Sudharshan, S. Sandeep Pradhan, Arvind Rao,
• Abstract要約: 固定された局所IC-POVMの時間分解測定データに基づく新しいハミルトン学習フレームワークを提案する。 本稿では,量子ハミルトニアンに基づく遺伝子表現モデル(QHGM)を紹介する。
• 参考スコア（独自算出の注目度）: 8.614683524257392
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a new Hamiltonian-learning framework based on time-resolved measurement data from a fixed local IC-POVM and its application to inferring gene regulatory networks. We introduce the quantum Hamiltonian-based gene-expression model (QHGM), in which gene interactions are encoded as a parameterized Hamiltonian that governs gene expression evolution over pseudotime. We derive finite-sample recovery guarantees and establish upper bounds on the number of time and measurement samples required for accurate parameter estimation with high probability, scaling polynomially with system size. To recover the QHGM parameters, we develop a scalable variational learning algorithm based on empirical risk minimization. Our method recovers network structure efficiently on synthetic benchmarks and reveals novel, biologically plausible regulatory connections in Glioblastoma single-cell RNA sequencing data, highlighting its potential in cancer research. This framework opens new directions for applying quantum-like modeling to biological systems beyond the limits of classical inference.
• Abstract（参考訳）: 固定された局所IC-POVMの時間分解測定データに基づく新しいハミルトン学習フレームワークとその遺伝子制御ネットワークの推論への応用について述べる。 本稿では,量子ハミルトニアンに基づく遺伝子発現モデル(QHGM)を提案する。 有限サンプル回収保証を導出し, 高精度なパラメータ推定に必要な時間と測定値の上限を設定し, システムサイズを多項式的に拡張する。 QHGMパラメータを復元するために,経験的リスク最小化に基づくスケーラブルな変分学習アルゴリズムを開発した。 本手法は,Glioblastoma single-cell RNAシークエンシングデータにおいて,合成ベンチマークを用いてネットワーク構造を効率よく復元し,その可能性を明らかにする。 このフレームワークは、古典的推論の限界を超えた、量子的モデリングを生物学的システムに適用するための新しい方向を開く。

関連論文リスト

• Modeling Adoptive Cell Therapy in Bladder Cancer from Sparse Biological Data using PINNs [0.0]
  物理インフォームドニューラルネットワーク(英: Physics-informed Neural Network、PINN)は、力学系の法則を損失関数に組み込むニューラルネットワークである。 本研究では,腫瘍学に応用したPINNフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-15T11:28:18Z)
• Quantum Network-Based Prediction of Cancer Driver Genes [0.0]
  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。
  論文  参考訳（メタデータ） (2025-10-14T15:25:30Z)
• Tensor Network based Gene Regulatory Network Inference for Single-Cell Transcriptomic Data [0.0]
  本研究では、テンソルネットワーク(TN)を利用して表現データを最適にマッピングする量子インスピレーションフレームワークを提案する。 遺伝子依存を定量化し、置換試験により統計的意義を確立する。 量子物理学にインスパイアされた手法と計算生物学を融合することにより,遺伝子制御に関する新たな知見を提供する。
  論文  参考訳（メタデータ） (2025-09-08T17:11:12Z)
• GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
  本稿では,98k塩基対 (bp) と1.2Bパラメータからなるゲノム基盤モデル GENERator を提案する。 DNAの386Bbpからなる拡張データセットに基づいて、GENERatorは、確立されたベンチマークと新しく提案されたベンチマークの両方で最先端のパフォーマンスを実証する。 また、特に特定のアクティビティプロファイルを持つエンハンサーシーケンスを即応的に生成することで、シーケンス最適化において大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2025-02-11T05:39:49Z)
• The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks [64.08042492426992]
  本稿では,脳皮質ニューロンの生物学的モデルであるExpressive Memory(ELM)ニューロンモデルを紹介する。 ELMニューロンは、上記の入力-出力関係を1万以下のトレーニング可能なパラメータと正確に一致させることができる。 本稿では,Long Range Arena(LRA)データセットなど,時間構造を必要とするタスクで評価する。
  論文  参考訳（メタデータ） (2023-06-14T13:34:13Z)
• Neural network enhanced measurement efficiency for molecular groundstates [63.36515347329037]
  いくつかの分子量子ハミルトニアンの複雑な基底状態波動関数を学習するために、一般的なニューラルネットワークモデルを適用する。 ニューラルネットワークモデルを使用することで、単一コピー計測結果だけで観測対象を再構築するよりも堅牢な改善が得られます。
  論文  参考訳（メタデータ） (2022-06-30T17:45:05Z)
• A simple normative network approximates local non-Hebbian learning in the cortex [12.940770779756482]
  神経科学実験は、皮質ニューロンによる感覚入力の処理は、指示信号によって変調されることを示した。 ここでは、規範的なアプローチを採用し、フィードフォワードデータの投影を導く監督的な入力として、これらの命令信号をモデル化する。 オンラインアルゴリズムは、シナプス学習規則が大脳皮質で観察されるカルシウムプラトー電位依存的な可塑性に類似しているニューラルネットワークによって実装することができる。
  論文  参考訳（メタデータ） (2020-10-23T20:49:44Z)
• HiPPO: Recurrent Memory with Optimal Polynomial Projections [93.3537706398653]
  本稿では,連続信号と離散時系列をベースに投影してオンライン圧縮するための一般フレームワーク(HiPPO)を提案する。 過去の各時間ステップの重要性を示す尺度が与えられた場合、HiPPOは自然なオンライン関数近似問題に対する最適解を生成する。 このフォーマルなフレームワークは、すべての履歴を記憶するために時間をかけてスケールする新しいメモリ更新メカニズム(HiPPO-LegS)を提供する。
  論文  参考訳（メタデータ） (2020-08-17T23:39:33Z)

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。