arXiv:2610.15998v1 cs.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

Murat Isik, Yusuf Moinuddin, Humaira Gowher, Sabre Kais

제출 2026-10-12

저자 비고

arXiv Comments

Accepted at IEEE International Conference on Quantum Artificial Intelligence (QAI) 2026

한국어 초록

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.

원문 초록

DNA methylation is a critical epigenetic modification that regulates gene expression and genome stability, primarily catalyzed by the DNA methyltransferase 3 (DNMT3) family of enzymes. Distinguishing precise sequence-specific flanking preferences between DNMT3A and DNMT3B remains computationally challenging due to the complex and high-dimensional nature of biochemical sequence data. In this study, we propose a novel Quantum Machine Learning (QML) approach to classify DNA methylation preferences, leveraging a Variational Quantum Classifier (VQC). Using experimentally derived deep enzymology data, we constructed a dataset containing 4,096 unique NNNCGNNN motifs. We evaluated a four-qubit VQC using a custom NumPy exact-statevector simulator. The described two-layer circuit contains 24 trainable rotations, eight CNOT gates, and eight input-encoding rotations, totaling 40 gates before measurement. Across five initialization seeds, the revised VQC evaluation achieved a ROC-AUC of 0.661 pm 0.009, where variability denotes sample standard deviation. The held-out test partition is approximately balanced, containing 200 DNMT3A-labeled motifs and 210 DNMT3B-labeled motifs. An always-DNMT3B predictor achieves 51.2% accuracy and a balanced accuracy of 0.500 on this test partition. This proof-of-concept establishes a foundation for utilizing near-term quantum architectures in complex epigenetic classification tasks, paving the way for hybrid quantum-classical pipelines in bioinformatics.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2610.15998v1

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2610.13808v2quant-ph공통 태그 Binary Classification, Quantum Machine Learning

조합 융합을 통한 양자-고전 모델의 다양성 인지 앙상블

Diversity-Aware Ensemble of Quantum-Classical Models via Combinatorial Fusion

변분 양자 회로(VQC)는 회로 구조에 매우 민감하지만, 대부분의 양자 머신러닝 파이프라인은 단 하나의 최적 설계를 선택하고 나머지 후보는 폐기합니다. 본 논문에서는 양자 회로 탐색 공간 전반의 구조적 다양성을 활용하여 모델 융합(model fusion)을 통해 더 강력한 예측을 생성할 수 있는지 다룹니다. 순위-점수 함수(RSF)와 인지적 다양성(CD)을 활용해 여러 점수 산정 시스템을 선택하고 결합하는 모델 융합 프레임워크인 조합 융합 분석(CFA)을 구조적으로 다양한 29개의 고전 모델 및 양자 회로 풀에 적용합니다. 다양성 인지 모델 선택 방법을 사용하여 최대의 다양성을 지닌 모델 서브셋을 식별하고, 이를 점수 및 순위 결합 방식 모두로 결합합니다. 서로 다른 도메인을 포괄하는 4개의 이진 분류 벤치마크에 대한 실험 결과, CFA 기반의 하이브리드 고전-양자 융합은 고려된 모든 데이터셋에서 최고 성능의 개별 모델보다 일관되게 우수한 성능을 보였으며 정확도가 최대 6.03% 향상되었습니다. 관련 문헌과의 비교에서도 CFA 프레임워크는 4개 데이터셋 전반에서 더욱 우수한 성능을 달성합니다.

arXiv:2608.24631v2quant-ph공통 태그 Binary Classification, Quantum Machine Learning

유사도가 상호작용에 의해 결정될 때: 체제 민감 학습을 위한 양자 커널

When Similarity Is Interaction-Driven: Quantum Kernels for Regime-Sensitive Learning

많은 의사결정 시스템에서 유사도는 거리만으로 결정되는 것이 아니라 변수들 간의 상호작용에 의해 좌우된다. 사기 탐지 및 이상 탐지(anomaly detection)에서는, 국소적인 작은 교란(perturbation)이 주변 거리는 거의 변화시키지 않으면서도 상호작용에 민감한 결정 경계(decision boundary)를 넘어설 수 있다. 이러한 상황에 착안하여, 우리는 박층(thin-slab) 상호작용 모델과, 얽힌(entangled) 파울리 문자열(Pauli-string) 특징 맵으로 구성된 상호작용 기반 양자 커널(quantum kernel)을 제안한다. 이 특징 맵은 희소한 고차 블록 상호작용(sparse high-order block interactions)을 명시적으로 인코딩한다. 우리는 그 결과로 얻어지는 충실도 커널(fidelity kernel)이 양의 준정부호(positive semidefinite)이며, 정확한 블록 분해(block-factorized) 형태로 표현 가능하고, 상호작용 체제(interaction regime)의 변화에 민감한 기하 구조를 유도함을 보인다. 3차, 4차, 6차, 8차 상호작용을 포괄하는 균형 및 불균형 합성 실험 전반에서, 제안된 커널은 선형 커널, 방사 기저 함수(RBF) 커널, 라플라시안(Laplacian) 커널, 다항(polynomial) 커널은 물론, 심어진(planted) 블록 곱을 제공받은 조작된 상호작용 선형 기준선(baseline)보다도 일관되게 더 우수한 성능을 보인다. 실제 사기 탐지 벤치마크에서는, Credit Card Fraud Detection 데이터셋에서 가장 높은 평균 정확도와 F1 점수를 달성하며, IEEE-CIS Fraud Detection에서는 2위를 기록한다. 156큐비트(qubit) IBM Quantum 프로세서에서 4차 설정으로 실행한 결과, 하드웨어로 추정한 커널은 시드 간 변동성(seed-to-seed variability) 범위 내에서 노이즈 없는 시뮬레이터와 일치하며, 기준선들에 대한 우위를 그대로 유지한다. 이러한 결과는 양자 커널의 성능이 힐베르트 공간(Hilbert space)의 차원만이 아니라, 특징 맵의 기하 구조와 기저의 예측 구조 사이의 정합(alignment) 여부에 좌우됨을 보여준다. 제안된 블록 분해 커널은 고전 컴퓨터에서도 정확하게 계산될 수 있으므로, 본 연구의 결과는 계산적인 양자 가속(quantum speedup)이 아니라 예측적 및 표현적 가치를 입증하는 것이다.

arXiv:2607.13737v1cs.LG공통 태그 Binary Classification, Quantum Machine Learning

분자 특성 예측을 위한 양자 및 고전 토폴로지 정렬 아키텍처 구현

Implementations of Quantum and Classical Topology-Aligned Architectures for Molecular Property Prediction

양자화학에서 흔한 저데이터 및 자원 제약 환경에서 매개변수 효율적 학습은 핵심 목표이다. 본 연구에서는 모델 아키텍처가 분자 결합 그래프를 반영하는 토폴로지 정렬 바이어스를 제안한다. 원자는 고정된 계산 단위 레지스터에 매핑되고, 결합은 공유되는 학습 가능 매개변수를 통해 상호작용하는 쌍을 결정한다. 이 원리는 두 가지 아키텍처로 구현된다: 변분 양자 회로(Iso-QGNN)와 매개변수가 맞춰진 고전 메시지 전달 모델(Iso-CGNN). 두 모델은 QM9 벤치마크에서 HOMO-LUMO 및 쌍극자 모멘트 이진 분류 과제로 벤치마킹된다. 학습 가능 매개변수 64개로, 구현체는 gap 과제에서 검증 AUC가 약 0.88(양자), 0.91(고전)이며, 쌍극자 과제에서는 둘 다 약 0.78에 가깝다. 모델은 학습 분자 수 약 250개 이내에서 점근적 성능의 90%에 도달하며, 학습 내내 그래디언트 노름은 안정적이다. 이 결과는 토폴로지 정렬 바이어스가 QM9 규모에서 매개변수 효율성을 이끄는 핵심 요인임을 시사하며, 양자 머신러닝에서 맞춰진 기준선 벤치마킹에 함의를 갖는다.

arXiv:2606.26312v1quant-ph공통 태그 Binary Classification, Quantum Machine Learning

양자 머신러닝을 위한 맞춤형 임베딩

Tailor Made Embeddings for Quantum Machine Learning

오토인코더는 차원의 저주를 해결하고 원칙적인 가중치 초기화와 압축적이고 구조화된 표현 학습을 가능하게 함으로써 고전 머신러닝을 변화시켰다. 본 연구에서는 고전 데이터의 태스크 특화 양자 임베딩을 학습하는 변분 오토인코더 프레임워크를 도입하여, 이 패러다임을 양자 머신러닝으로 확장한다. ImageNet을 포함한 고차원 데이터셋이 학습된 디코더를 통해 복원 가능한 상태를 유지하면서 13-큐비트 양자 표현으로 압축될 수 있음을 보인다. MNIST(3 vs 5)에서 회로 중심 양자 분류기를 사용한 본 접근법은 98.5%의 검증 정확도를 달성하며, 이는 고전 신경망 기준선(99.7%) 대비 1.2퍼센트포인트 이내이고, 단순 진폭 임베딩 접근법보다 30퍼센트포인트 이상 높다. 복원을 위해 전체 양자 상태 토모그래피가 필요한 진폭 임베딩이나, 제한적 가정 하에서 회로 역변환에 일반적으로 의존하는 각 임베딩과 달리, 제안된 프레임워크는 다항식 개수의 측정만으로 원본 데이터를 복원한다. 이 프레임워크는 IBM 양자 하드웨어에서 추가로 검증되었으며, 학습된 임베딩이 실제 장치 노이즈 하에서도 안정적이고 복원 가능함을 확인했다.

arXiv:2506.21002공통 태그 Binary Classification공식 코드 · Papers with Code

Inverse Scene Text Removal

토론

이 논문과 연결된 포럼 글이 아직 없습니다.