PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.15998v1cs.LG

DNMT3A와 DNMT3B의 서열별 플랭킹 메틸화 선호도 분류를 위한 4-큐비트 변분 양자 분류기

A 4-Qubit Variational Quantum Classifier for Sequence-Specific Classification of DNMT3A and DNMT3B Flanking Methylation Preferences

DNA 메틸화(methylation)는 유전자 발현과 유전체 안정성을 조절하는 핵심적인 에피제네틱 변형으로, 주로 DNA 메틸트랜스퍼라아제 3(DNMT3) 계열 효소에 의해 촉매된다. DNMT3A와 DNMT3B 간의 정밀한 서열별 플랭킹 선호도를 구별하는 것은 생화학적 서열 데이터의 복잡하고 고차원적인 특성으로 인해 여전히 계산적으로 어려운 과제이다. 본 연구에서는 변분 양자 분류기(Variational Quantum Classifier, VQC)를 활용하여 DNA 메틸화 선호도를 분류하는 새로운 양자 기계학습(Quantum Machine Learning, QML) 접근법을 제안한다. 실험적으로 도출된 심층 효소학(deep enzymology) 데이터를 사용하여 4,096개의 고유한 NNNCGNNN 모티프로 구성된 데이터셋을 구축하였다. 커스텀 NumPy 정확 상태벡터(exact-statevector) 시뮬레이터를 사용하여 4-큐비트 VQC를 평가하였다. 기술된 2층 회로는 24개의 학습 가능한 회전(rotation), 8개의 CNOT 게이트, 8개의 입력 인코딩 회전을 포함하며, 측정 전까지 총 40개의 게이트로 구성된다. 5개의 초기화 시드에 걸쳐, 수정된 VQC 평가는 0.661 ± 0.009의 ROC-AUC를 달성하였으며, 여기서 변동성은 표본 표준편차를 나타낸다. 홀드아웃 테스트 분할은 대략적으로 균형을 이루며, 200개의 DNMT3A로 라벨링된 모티프와 210개의 DNMT3B로 라벨링된 모티프를 포함한다. 항상 DNMT3B로 예측하는 예측기는 이 테스트 분할에서 51.2%의 정확도와 0.500의 균형 정확도(balanced accuracy)를 달성한다. 이 개념 증명(proof-of-concept)은 복잡한 에피제네틱 분류 작업에서 근시일 내 양자 아키텍처(near-term quantum architecture)를 활용하기 위한 토대를 마련하며, 생물정보학 분야의 하이브리드 양자-고전 파이프라인으로 나아가는 길을 제시한다.