Biomarker Discovery with Quantum Neural Networks: A Case-study in CTLA4-Activation Pathways

要約

バイオマーカーの発見は、膨大な検索スペースがあるため、困難な作業です。
量子コンピューティングと量子人工知能 (量子 AI) は、バイオマーカー発見タスクの計算問題に対処するために使用できます。
私たちは、入力活性化経路のバイオマーカーを発見するための量子ニューラル ネットワーク (QNN) アーキテクチャを提案します。
バイオマーカー候補セットのスコア付けには、最大関連性、最小冗長性 (mRMR) 基準が使用されます。
ニューラル ソリューションは制約のあるハードウェア上で提供できるため、私たちが提案するモデルは経済的です。
我々は、(1) 単独の CTLA4 活性化、(2) CTLA4-CD8A-CD8B の共活性化、(3) CTLA4-CD2 の共活性化、(4) を含む CTLA4 に関連する 4 つの活性化経路に関する概念実証を実証します。
) CTLA4-CD2-CD48-CD53-CD58-CD84 の共活性化。
このモデルは、20 個の遺伝子を含む CLTA4 関連経路の変異活性化に関連する新しいバイオマーカーを示しています:CLIC4、CPE、ETS2、FAM107A、GPR116、HYOU1、LCN2、MACF1、MT1G、NAPA、NDUFS5、PAK1、PFN1、PGAP3、PPM1G、
PSMD8、RNF213、SLC25A3、UBA1、および WLS。
この実装は https://github.com/namnguyen0510/Biomarker-Discovery-with-Quantum-Neural-Networks でオープンソース化されています。

要約(オリジナル)

Biomarker discovery is a challenging task due to the massive search space. Quantum computing and quantum Artificial Intelligence (quantum AI) can be used to address the computational problem of biomarker discovery tasks. We propose a Quantum Neural Networks (QNNs) architecture to discover biomarkers for input activation pathways. The Maximum Relevance, Minimum Redundancy (mRMR) criteria is used to score biomarker candidate sets. Our proposed model is economical since the neural solution can be delivered on constrained hardware. We demonstrate the proof of concept on four activation pathways associated with CTLA4, including (1) CTLA4-activation stand-alone, (2) CTLA4-CD8A-CD8B co-activation, (3) CTLA4-CD2 co-activation, and (4) CTLA4-CD2-CD48-CD53-CD58-CD84 co-activation. The model indicates new biomarkers associated with the mutational activation of CLTA4-associated pathways, including 20 genes: CLIC4, CPE, ETS2, FAM107A, GPR116, HYOU1, LCN2, MACF1, MT1G, NAPA, NDUFS5, PAK1, PFN1, PGAP3, PPM1G, PSMD8, RNF213, SLC25A3, UBA1, and WLS. We open source the implementation at: https://github.com/namnguyen0510/Biomarker-Discovery-with-Quantum-Neural-Networks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google