量子变量图驱动的神经框架,用于基因组临床整合精确诊断
Sreekanth Puli1, Nitalaksheswara Rao Kolukula1, Anuradha Yarlagadda2
1Department of Computer Science and Engineering, GITAM Deemed to Be University, Visakhapatnam, Andhra Pradesh 530045 India.
一个新的量子变量图驱动神经 (QVGDN) 框架通过整合基因组和临床数据来提高精确诊断. 这种量子增强模型实现了高精度,提高了临床决策支持系统的诊断精度和可解释性.
科学领域:
- 生物医学信息学是生物医学信息学.
- 量子计算应用程序 量子计算应用程序
- 机器学习在医疗保健中的应用
背景情况:
- 整合多模式生物医学数据 (基因组,临床) 进行精确诊断是具有挑战性的,因为数据的复杂性和异质性.
- 现有的机器学习和量子古典模型缺乏解释性和可扩展性,用于复杂的跨模式数据集成.
- 高维度和非线性依赖性阻碍了对综合患者数据的有效分析.
研究的目的:
- 提出一个量子变量图驱动的神经 (QVGDN) 框架,用于先进的精确诊断.
- 解决使用量子增强计算集成多式联络生物医学数据的局限性.
- 为了有效地捕捉复杂的交叉模式相互作用和关系型患者结构.
主要方法:
- QVGDN框架使用量子自适应干扰来进行模式特定的特征提取.
- 通过变异编码和跨因素的注意力融合整合了基因组和临床特征.
- 使用基于内核的多原子量子纠外部图形神经网络进行关系诊断.
- 使用超级仙女优化算法进行的超参数调整.
主要成果:
- 在基准数据集上,QVGDN实现了99.12%的准确性.
- 在杂和有限的数据条件下表现出高性能.
- 与基线模型相比,显著提高了诊断精度,样本效率和关系解释性.
结论:
- QVGDN框架为实时精确诊断提供了一个可扩展的解决方案.
- 非常适合临床决策支持系统,需要可解释性和计算效率.
- 代表了利用量子计算用于生物医学数据分析的重大进步.
更多相关视频
09:34Targeted Next-generation Sequencing and Bioinformatics Pipeline to Evaluate Genetic Determinants of Constitutional Disease
Published on: April 4, 2018
13:24Integration of Wet and Dry Bench Processes Optimizes Targeted Next-generation Sequencing of Low-quality and Low-quantity Tumor Biopsies
Published on: April 11, 2016
相关概念视频
Genomics
Genome-wide Association Studies-GWAS
GWAS does not require the identification of the target gene involved in...
Genetic Screens
Forward genetic screens
Forward or “classical” genetic screens involve creating random mutations in an organism’s DNA using radiation, mutagens, or insertion of additional bases, which...
DNA Microarrays
Genetic Variation
Genes exist in different versions called alleles,...
Statistical Software for Data Analysis and Clinical Trials
