量子张量网络在蛋白质分类中的应用

我们表明，蛋白质序列可被视为自然语言处理中的句子，并能利用现有的量子自然语言框架解析为参数量子电路，其量子比特数合理，可训练用于解决各类蛋白质相关的机器学习问题。我们根据蛋白质的亚细胞定位对其进行分类，这是生物信息学中的一项关键任务，对于理解生物过程和疾病机制至关重要。利用量子增强的处理能力，我们证明了量子张量网络（QTN）能够有效处理蛋白质序列的复杂性和多样性。我们提出了一种详细的方法论，使 QTN 架构适应蛋白质数据的细微需求，并辅以全面的实验结果。我们展示了两种不同的 QTN，其灵感分别来自经典循环神经网络（RNN）和卷积神经网络（CNN），用于解决上述二分类任务。我们表现最佳的量子模型达到了 94% 的准确率，这与使用 ESM2 蛋白质语言模型嵌入的经典模型性能相当。值得注意的是，ESM2 模型极其庞大，其最小配置包含 800 万个参数，而我们最佳的量子模型仅需约 800 个参数。我们证明了这些混合模型展现出令人期待的性能，表明其具有与类似复杂度的经典模型竞争的潜力。