使用混合量子-经典算法来增强生物标记物分类
Aninda Astuti1, Pin-Keng Shih2,3, Shan-Chih Lee4
1Department of Bioinformatics and Medical Engineering, Asia University, Taichung, Taiwan.
PloS one
|July 17, 2025
概括
量子机器学习 (QML) 可以改善对清细胞脏细胞癌 (ccRCC) 转移的基因表达生物标志物发现. 我们的研究表明,QML算法提高了识别ccRCC转移生物标志物的准确性和速度.
科学领域:
- 计算生物学 计算生物学
- 量子计算是一种量子计算.
- 在瘤学瘤学.
背景情况:
- 清细胞细胞癌 (ccRCC) 转移是一种复杂的,鲜为人知的过程,导致癌症致死率高.
- 鉴定可靠的基因表达生物标志物用于ccRCC转移是传统机器学习方法的挑战.
- 目前的研究缺乏有效的计算方法来分析复杂的癌症基因表达数据.
研究的目的:
- 研究量子机器学习 (QML) 的应用,以识别与ccRCC转移相关的基因表达生物标志物.
- 评估量子支向量分类 (QSVC) 和量子神经网络 (QNN) 与经典支向量分类 (SVC) 和神经网络 (NN) 相比的性能提升.
- 评估将神经量子嵌入 (NQE) 方法与QSVC/QNN集成的有效性,以改善生物标志物发现.
主要方法:
- 灵感来自神经量子嵌入 (NQE) 方法的两阶段方法被开发用于二进制分类任务.
- 量子机器学习算法,特别是QSVC和QNN,与经典的SVC和NN一起使用.
- 基于各种生物医学数据集的执行时间和准确性来评估性能.
主要成果:
- 量子机器学习算法 (QSVC,QNN) 与它们的经典同行 (SVC,NN) 相比,证明了更好的执行时间和准确性.
- 通过将NQE与QSVC/QNN整合,在识别潜在的转移生物标志物方面表现得更好.
- 提出的QML方法被证明是有效的,并且可以在不同的生物医学数据集中进行概括.
结论:
- 量子机器学习提供了一个有前途的计算框架,用于推进生物标志物在复杂疾病的发现,如ccRCC.
- 经NQE增强的QSVC/QNN方法为识别与癌症转移相关的基因表达生物标志物提供了更有效,更准确的方法.
- 这项研究强调了QML在克服关键生物医学应用传统机器学习局限性的潜力.
