論文の概要: Improving Sample Efficiency in Peptide-HLA Binding Prediction with Hybrid Quantum-Classical Neural Networks

• arxiv url: http://arxiv.org/abs/2609.19642v1
• Date: Thu, 17 Sep 2026 03:33:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.090384
• Title: Improving Sample Efficiency in Peptide-HLA Binding Prediction with Hybrid Quantum-Classical Neural Networks
• Title（参考訳）: ハイブリッド量子古典ニューラルネットワークを用いたペプチド-HLA結合予測におけるサンプル効率の改善
• Abstract要約: ペプチド-HLA結合予測に特化して設計されたハイブリッド量子古典ニューラルネットワーク(HQNN)を提案する。 HQNNは、並列量子特徴抽出器と量子拡張型分類器と、マルチソースの生物学的特徴符号化を統合している。 2つのHLAアレル(A*02:01とB*07:02)では、HQNNは全てのトレーニングサイズでパラメータマッチングされた古典的なCNNベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 3.470073728574769
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Peptide-HLA binding prediction is a critical step in neoantigen identification for personalized cancer immunotherapy and holds significant clinical value. However, the training data available for many HLA alleles are extremely limited, which severely constrains the performance of conventional methods on this task. Parameterized quantum circuits are hypothesized to induce inductive biases beneficial for learning from small datasets, yet their application to biological sequence prediction remains underexplored. To address this, we propose a hybrid quantum-classical neural network (HQNN) specifically designed for peptide-HLA binding prediction. HQNN integrates multi-source biological feature encoding with parallel quantum feature extractors and a quantum-enhanced classifier. On two HLA alleles (A*02:01 and B*07:02), HQNN outperforms a parameter-matched classical CNN baseline across all training sizes, with the performance gap widening as training data decreases. Ablation studies confirm the respective contributions of the quantum feature extraction module and the quantum classifier. In noise-aware simulations, performance degrades only mildly, and such degradation is reasonable and acceptable under realistic quantum hardware noise levels. These results suggest that hybrid quantum-classical architectures can provide practical sample-efficiency gains for immunoinformatics tasks in low-data regimes.
• Abstract（参考訳）: ペプチド-HLA結合予測は、パーソナライズされたがん免疫療法におけるネオ抗原の同定における重要なステップであり、臨床的に重要な価値を持っている。 しかし、多くのHLAアレルで利用可能なトレーニングデータは非常に限られており、このタスクにおける従来の手法の性能を厳しく制限している。 パラメータ化量子回路は、小さなデータセットから学ぶのに有効な誘導バイアスを誘導する仮説が立てられているが、それらの生物学的配列予測への応用はいまだ未解明である。 そこで我々は,ペプチド-HLA結合予測に特化して設計されたハイブリッド量子古典ニューラルネットワーク(HQNN)を提案する。 HQNNは、並列量子特徴抽出器と量子拡張型分類器と、マルチソースの生物学的特徴符号化を統合している。 2つのHLAアレル(A*02:01とB*07:02)では、HQNNはパラメータマッチングされた古典的なCNNベースラインを全てのトレーニングサイズで上回り、トレーニングデータが減少するにつれてパフォーマンスギャップが拡大する。 アブレーション研究は、量子特徴抽出モジュールと量子分類器のそれぞれの寄与を検証する。 ノイズ対応シミュレーションでは、性能は軽度に低下し、現実的な量子ハードウェアノイズレベル下では、そのような劣化は合理的かつ許容できる。 これらの結果から,ハイブリッド量子古典アーキテクチャは,低データ体制下での免疫情報処理に実用的なサンプル効率の向上をもたらすことが示唆された。

関連論文リスト

• Feature-Adaptive Fusion in Hybrid Quantum-Classical Neural Networks for Robust Biomedical Image Classification [5.648121717707402]
  生体画像分類のための特徴適応型核融合型量子古典ニューラルネットワーク(FAF-HQNN)を提案する。 MedMNISTベンチマークであるPathMNISTとBloodMNISTのFAF-HQNNを、クリーンで破損したテスト条件下で評価した。
  論文  参考訳（メタデータ） (2026-09-14T09:26:39Z)
• Quantum Incremental Learning with Mixed State Prototypes [53.319426778720434]
  トレーニング可能な混合状態プロトタイプに基づく新しい量子インクリメンタル学習フレームワークを提案する。 本モデルでは,最小数の量子ビットを用いて高次元特徴量を実現する。
  論文  参考訳（メタデータ） (2026-08-11T04:22:42Z)
• Do emulated quantum circuits change what CNNs look at? Performance and explainability comparison in medical image classification [0.879504058268139]
  本研究では, 量子回路の小型化が複雑モデルにおいて有意義な役割を果たすかどうかを考察する。 本稿では、パラメータマッチング型古典畳み込みニューラルネットワーク(CNN)と比較して、ハイブリッド量子インスパイアされた畳み込みニューラルネットワーク(HQiCNN)の有効性に関する体系的研究を行う。 HQiCNNは中間データレシエーションで最大のゲインを達成し、CNNは両方のデータセットで最大のトレーニングセットで最高のアキュラティに達する。
  論文  参考訳（メタデータ） (2026-07-23T11:15:35Z)
• Quantum Implicit Neural Representations for 3D Scene Reconstruction and Novel View Synthesis [42.13843953705695]
  入射神経表現(INR)は連続信号モデリングと3次元シーン再構成の強力なパラダイムとなっている。 ニューラルラディアンス場レンダリングのための最初のハイブリッド量子古典的フレームワークである量子ニューラルラディアンス場(Q-NeRF)を提案する。
  論文  参考訳（メタデータ） (2025-12-14T13:24:11Z)
• Towards Quantum Enhanced Adversarial Robustness with Rydberg Reservoir Learning [45.92935470813908]
  量子コンピューティング貯水池(QRC)は、量子多体系に固有の高次元非線形力学を利用する。 近年の研究では、変動回路に基づく摂動量子は逆数の影響を受けやすいことが示されている。 QR学習モデルにおける対向的堅牢性の最初の体系的評価について検討する。
  論文  参考訳（メタデータ） (2025-10-15T12:17:23Z)
• 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)
• Hybrid Quantum Neural Networks for Efficient Protein-Ligand Binding Affinity Prediction [0.8957579200590984]
  アフィニティ予測に関わる高性能な要求と膨大なデータセットは、ますます大きなAIモデルを必要としている。 これらの課題に対する有望な解決策として量子機械学習が登場した。 本研究では、非線形関数を近似する能力を実証的に示すハイブリッド量子ニューラルネットワーク(HQNN)を提案する。
  論文  参考訳（メタデータ） (2025-09-14T02:20:21Z)
• 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)
• Hybrid Quantum Neural Networks with Variational Quantum Regressor for Enhancing QSPR Modeling of CO2-Capturing Amine [0.9968037829925945]
  我々は,CO2捕捉アミンの構造-適合関係モデルを改善するために,ハイブリッド量子ニューラルネットワーク(HQNN)を開発した。 HQNNは、塩基性、粘性、沸点、融点、蒸気圧などの主要な溶媒特性の予測精度を向上させる。
  論文  参考訳（メタデータ） (2025-03-01T07:26:45Z)
• When BERT Meets Quantum Temporal Convolution Learning for Text Classification in Heterogeneous Computing [75.75419308975746]
  本研究は,変分量子回路に基づく垂直連合学習アーキテクチャを提案し,テキスト分類のための量子化事前学習BERTモデルの競争性能を実証する。 目的分類実験により,提案したBERT-QTCモデルにより,SnipsおよびATIS音声言語データセットの競合実験結果が得られた。
  論文  参考訳（メタデータ） (2022-02-17T09:55:21Z)

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。