論文の概要: Hybrid Quantum-Classical Encoding for Accurate Residue-Level pKa Prediction

• arxiv url: http://arxiv.org/abs/2603.11061v1
• Date: Mon, 09 Mar 2026 06:48:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-13 14:46:25.489769
• Title: Hybrid Quantum-Classical Encoding for Accurate Residue-Level pKa Prediction
• Title（参考訳）: 高精度残差レベルpKa予測のためのハイブリッド量子古典符号化
• Authors: Van Le, Tan Le,
• Abstract要約: 本稿では,ガウスカーネルをベースとした量子インスパイアされた特徴写像を用いて,残差レベルの表現を豊かにするための再現可能なハイブリッド量子古典的フレームワークを提案する。 このアーキテクチャは、古典的なモデルではアクセスできない残余のマイクロ環境における非線形関係をキャプチャする。 量子に着想を得た特徴変換を古典的な生化学的記述子と統合することにより、残基レベルpKa予測のためのスケーラブルで実験的に転移可能なアプローチを確立し、タンパク質静電学における幅広い応用を確立させる。
• 参考スコア（独自算出の注目度）: 0.7161783472741748
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate prediction of residue-level pKa values is essential for understanding protein function, stability, and reactivity. While existing resources such as DeepKaDB and CpHMD-derived datasets provide valuable training data, their descriptors remain primarily classical and often struggle to generalize across diverse biochemical environments. We introduce a reproducible hybrid quantum-classical framework that enriches residue-level representations with a Gaussian kernel-based quantum-inspired feature mapping. These quantum-enhanced descriptors are combined with normalized structural features to form a unified hybrid encoding processed by a Deep Quantum Neural Network (DQNN). This architecture captures nonlinear relationships in residue microenvironments that are not accessible to classical models. Benchmarking across multiple curated descriptor sets demonstrates that the DQNN achieves improved cross-context generalization relative to classical baselines. External evaluation on the PKAD-R experimental benchmark and an A$β$40 case study further highlights the robustness and transferability of the quantum-inspired representation. By integrating quantum-inspired feature transformations with classical biochemical descriptors, this work establishes a scalable and experimentally transferable approach for residue-level pKa prediction and broader applications in protein electrostatics.
• Abstract（参考訳）: 残基レベルのpKa値の正確な予測は、タンパク質の機能、安定性、反応性を理解するのに不可欠である。 DeepKaDBやCpHMD由来のデータセットのような既存のリソースは貴重なトレーニングデータを提供するが、ディスクリプタは主に古典的であり、様々な生化学環境にまたがる一般化に苦慮している。 本稿では,ガウスカーネルをベースとした量子インスパイアされた特徴写像を用いて,残差レベルの表現を豊かにするための再現可能なハイブリッド量子古典的フレームワークを提案する。 これらの量子強化ディスクリプタは、正規化された構造特徴と組み合わせて、ディープ量子ニューラルネットワーク(DQNN)によって処理される統一ハイブリッド符号化を形成する。 このアーキテクチャは、古典的なモデルではアクセスできない残余のマイクロ環境における非線形関係をキャプチャする。 複数のキュレートされたディスクリプタセット間のベンチマークにより、DQNNは古典的なベースラインに対して、クロスコンテクストの一般化を向上することを示した。 PKAD-R実験ベンチマークとA$β$40のケーススタディの外部評価は、量子に着想を得た表現の堅牢性と伝達性をさらに強調している。 量子に着想を得た特徴変換を古典的な生化学的記述子と統合することにより、残基レベルpKa予測のためのスケーラブルで実験的に転移可能なアプローチを確立し、タンパク質静電学における幅広い応用を確立させる。

関連論文リスト

• Quantum AI for Cybersecurity: A hybrid Quantum-Classical models for attack path analysis [1.2676356746752895]
  本研究では,ハイブリッド量子古典学習の可能性について検討し,侵入検出のための特徴表現を強化する。 量子化された表現は、データが不足している場合により優れた攻撃リコールとクラス分離性を示す。 結果は、サイバーセキュリティタスクの一般化と表現品質を改善するための量子埋め込みの可能性を強調している。
  論文  参考訳（メタデータ） (2026-01-05T16:11:39Z)
• Practical Quantum-Classical Feature Fusion for complex data Classification [0.0]
  ハイブリッド量子と古典学習は、古典的ニューラルネットワークの堅牢性と量子特徴写像を結合することを目的としている。 本稿では,ハイブリッド学習のマルチモーダルな定式化について述べる。 本研究では, ワイン, 乳がん, 森林被覆タイプ, ファッションMNIST, スティールプランツフォールトについて, 量子オントモデル, 古典的ベースライン, 残留ハイブリッドモデル, 提案中核融合モデルを比較した。
  論文  参考訳（メタデータ） (2025-12-22T09:16:08Z)
• Adapting Quantum Machine Learning for Energy Dissociation of Bonds [6.247064060111601]
  ボンドエネルギー予測のための量子および古典的機械学習モデルの比較ベンチマークを示す。 トップパフォーマンス量子モデル(QCNN, QRF)は、古典的なアンサンブルやディープネットワークの予測精度と堅牢性に一致する。
  論文  参考訳（メタデータ） (2025-10-08T01:32:26Z)
• Quantum-Classical Hybrid Molecular Autoencoder for Advancing Classical Decoding [11.627919867400905]
  本稿では,量子符号化と古典的シーケンスモデリングを統合したSMILES再構成のためのハイブリッド量子古典アーキテクチャを提案する。 提案手法では, 量子忠実度は約84%, 古典的再構成類似度は60%であり, 既存の量子ベースラインを超えている。
  論文  参考訳（メタデータ） (2025-08-26T19:39:33Z)
• VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [50.95799256262098]
  変分量子回路(VQC)は量子機械学習を約束するが、表現性、訓練性、耐雑音性の課題に直面している。 本稿では,VQCが学習中に古典多層パーセプトロンの第一層重みを生成するハイブリッドアーキテクチャであるVQC-MLPNetを提案する。
  論文  参考訳（メタデータ） (2025-06-12T01:38:15Z)
• Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
  変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。 テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。 この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
  論文  参考訳（メタデータ） (2023-05-18T03:08:18Z)
• The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for Deep Quantum Machine Learning [52.77024349608834]
  古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。 鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。 我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
  論文  参考訳（メタデータ） (2022-12-22T16:06:24Z)
• Photonic Quantum Computing For Polymer Classification [62.997667081978825]
  2つのポリマークラス (VIS) と近赤外 (NIR) は, ポリマーギャップの大きさに基づいて定義される。 高分子構造の二項分類に対する古典量子ハイブリッド手法を提案する。
  論文  参考訳（メタデータ） (2022-11-22T11:59:52Z)
• Quantum Machine Learning with SQUID [64.53556573827525]
  分類問題に対するハイブリッド量子古典アルゴリズムを探索するオープンソースフレームワークであるScaled QUantum IDentifier (SQUID)を提案する。 本稿では、一般的なMNISTデータセットから標準バイナリ分類問題にSQUIDを使用する例を示す。
  論文  参考訳（メタデータ） (2021-04-30T21:34:11Z)

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。