論文の概要: QBioFusion-QSAR: Morgan-Anchored Quantum Multiple Kernel Learning for Small-Data Ligand Classification
- arxiv url: http://arxiv.org/abs/2606.21213v1
- Date: Fri, 19 Jun 2026 08:30:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 07:20:56.350832
- Title: QBioFusion-QSAR: Morgan-Anchored Quantum Multiple Kernel Learning for Small-Data Ligand Classification
- Title（参考訳）: QBioFusion-QSAR:Morgan-Anchored Quantum Multiple Kernel Learning for Small-Data Ligand Classification
- Authors: Azadeh Alavi, Fatemeh Kouchmeshki, Muhammad Usman, Jessica Holien,
- Abstract要約: QBioFusion-QSARは量子多重カーネル学習(QMKL)を用いる
54 kgの PsychLight-A ベンチマークでは、Morgan/Tanimoto が最強のシングル表現であった。
一致正則化監査の結果,N-Me-5-HTとN-Me-トリプタミンは偽陰性から真正の予測に変化した。
- 参考スコア（独自算出の注目度）: 0.788073088949581
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Small quantitative structure-activity relationship (QSAR) studies are difficult when close molecular analogues have different activity labels. This paper asks whether a quantum kernel can add similarity information to a Morgan/Tanimoto fingerprint model, and which molecules account for the change. QBioFusion-QSAR uses quantum multiple kernel learning (QMKL): a support vector machine combines a Morgan/Tanimoto kernel with a quantum fidelity kernel constructed from fold-local components derived from RDKit and Mordred descriptors and Deep-PK features. Linear and radial basis function descriptor kernels are included as classical controls. On the 54-molecule PsychLight-A benchmark, Morgan/Tanimoto was the strongest single representation. In the primary stratified five-fold evaluation, QMKL increased accuracy from 0.815 to 0.833 and Matthews correlation coefficient (MCC) from 0.613 to 0.645. Matched-regularization auditing attributed the change to N-Me-5-HT and N-Me-tryptamine changing from false-negative to true-positive predictions; activity-cliff subset MCC increased from 0.07 to 0.22. Repeating the five-fold protocol over ten random partitionings showed that learned QMKL did not exceed Morgan/Tanimoto on mean MCC; paired held-out bootstrap intervals for the matched comparison also span zero. These results support QBioFusion-QSAR as an auditable QMKL framework for identifying localized residual quantum-kernel contributions in small-data, activity-cliff-aware ligand classification.
- Abstract（参考訳）: 近接分子アナログが異なる活性ラベルを持つ場合、QSARの研究は困難である。
本稿では, 量子カーネルがMorgan/Tanimotoの指紋モデルに類似性情報を加えることができるかどうかを問う。
QBioFusion-QSARは量子多重カーネル学習(QMKL)を用いており、Morgan/TanimotoカーネルとRDKitとMordredディスクリプタとDeep-PKの機能から派生したフォールドローカルコンポーネントからなる量子忠実カーネルを組み合わせたサポートベクタマシンである。
リニアおよびラジアル基底関数記述子カーネルは古典的な制御として含まれる。
54分子の PsychLight-A ベンチマークでは、Morgan/Tanimoto が最強のシングル表現であった。
第一層化5倍評価では, QMKLは0.815から0.833へ, マシューズ相関係数(MCC)は0.613から0.645まで向上した。
一致正則化監査の結果,N-Me-5-HTおよびN-Me-トリプタミンは偽陰性から真陽性に変化した。
10個のランダムパーティショニングを繰り返すと、学習したQMKLは平均MCCではMorgan/Tanimotoを超えないことがわかった。
これらの結果は、QBioFusion-QSARを、小さなデータ、アクティビティ・クリフ・アウェア・リガンド分類における局所化された残留量子カーネルの寄与を特定するための監査可能なQMKLフレームワークとしてサポートしている。
関連論文リスト
- Quantum Kernel Advantage over Classical Collapse in Medical Foundation Model Embeddings [5.903606299014097]
MIMIC-C胸部X線写真における2次保険分類におけるノイズレスシミュレーションによる量子優位性の証拠を提供する。
両分類器が同一の機能を持つ2層公正比較フレームワークを提案する。
固有解析により、量子核有効ランクは q = 11 で 69.80 に達する。
論文 参考訳（メタデータ） (2026-04-27T15:21:53Z) - Benchmarking Quantum Kernel Support Vector Machines Against Classical Baselines on Tabular Data: A Rigorous Empirical Study with Hardware Validation [0.0]
量子カーネル法は、短期量子コンピュータを教師あり学習に活用するための有望なアプローチとして提案されている。
本稿では,9つのバイナリ分類データセット,4つの量子特徴写像,3つの古典的カーネル,複数のノイズモデルにまたがる量子カーネル支援ベクトルマシン(QSVM)の総合的研究について述べる。
我々の分析は4つのフェーズにまたがっている: (i) 統計的意義試験により、29対の量子古典比較のうち、0.05$; (ii) 学習曲線分析が6つのトレーニング分数に対して有意に到達しないことが判明した。
論文 参考訳（メタデータ） (2026-04-20T21:03:02Z) - MolPaQ: Modular Quantum-Classical Patch Learning for Interpretable Molecular Generation [0.9322836589877972]
MOLPAQは量子古典的生成装置で、量子生成潜伏パッチから分子を組み立てる。
遅延批評家によるアドリラル微調整は100%RDKitの妥当性、99.75%の新規性、0.905の多様性をもたらす。
論文 参考訳（メタデータ） (2026-03-27T17:14:06Z) - Quantum Fourier Transform Based Kernel for Solar Irrandiance Forecasting [0.0]
本研究では,短期時系列予測のための量子フーリエ変換(QFT)を用いた量子カーネルを提案する。
それぞれの信号はウィンドウ化され、振幅エンコードされ、QFTによって変換され、その後保護回転層を通過してQFT/QFT隣接キャンセルを回避する。
外因性予測子は、凸的に融合した特徴特異的カーネルによって組み込まれている。
論文 参考訳（メタデータ） (2025-11-21T18:36:25Z) - Quantum Convolution for Structure-Based Virtual Screening [0.0]
構造ベースの仮想スクリーニング(SBVS)は、潜在的な薬物候補を特定するための重要な計算戦略である。
本研究では、デルタG_bindを効率的に推定する量子畳み込みニューラルネットワーク(QCNN)フレームワークを提案する。
論文 参考訳（メタデータ） (2025-07-13T15:03:43Z) - Calibration of Quantum Devices via Robust Statistical Methods [45.464983015777314]
量子パラメータ学習の最先端技術に対するベイズ推論の高度な統計的手法を数値解析する。
既存のアプローチ、すなわち多モード性および高次元性において、これらのアプローチの利点を示す。
我々の発見は、オープン量子システムの力学を学習する量子キャラクタリゼーションの課題に応用できる。
論文 参考訳（メタデータ） (2025-07-09T15:22:17Z) - Extending Quantum Perceptrons: Rydberg Devices, Multi-Class Classification, and Error Tolerance [67.77677387243135]
量子ニューロモーフィックコンピューティング(QNC)は、量子計算とニューラルネットワークを融合して、量子機械学習(QML)のためのスケーラブルで耐雑音性のあるアルゴリズムを作成する
QNCの中核は量子パーセプトロン(QP)であり、相互作用する量子ビットのアナログダイナミクスを利用して普遍的な量子計算を可能にする。
論文 参考訳（メタデータ） (2024-11-13T23:56:20Z) - Learning Equivariant Non-Local Electron Density Functionals [51.721844709174206]
等変グラフニューラルネットワーク(GNN)に基づく新しい非局所XC関数であるEquivariant Graph Exchange correlation (EG-XC)を導入する。
この点の雲に同変GNNを適用することにより、スケーラブルで正確な分子レンジ相互作用をキャプチャする。
EG-XCは、QM9上のデータ効率と分子サイズの外挿に優れ、5倍以上の分子で訓練された整合力場である。
論文 参考訳（メタデータ） (2024-10-10T14:31:45Z) - QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。
量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。
4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
論文 参考訳（メタデータ） (2023-08-25T15:08:19Z) - Controlling Moments with Kernel Stein Discrepancies [74.82363458321939]
Kernel Steindisrepancies (KSD) は分布近似の品質を測定する。
まず、弱収束制御に使用される標準KSDがモーメント収束制御に失敗することを示す。
次に、代替拡散KSDがモーメントと弱収束の両方を制御できる十分な条件を提供する。
論文 参考訳（メタデータ） (2022-11-10T08:24:52Z)
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。