二进制潜变量蛋白适应度景观的量子退火优化
机器学习
2026-03-19 v1 定量方法
摘要
我们提出 Q-BIOLAT，一个用于建模和优化蛋白适应度景观的二进制潜变量框架。从蛋白序列出发，我们利用预训练的蛋白语言模型获取连续嵌入，然后转换为紧凑的二进制潜变量表示。在该空间中，使用二次无约束二进制优化 (QUBO) 模型近似蛋白适应度，使其能够通过经典启发式方法（如模拟退火和遗传算法）进行高效组合搜索。在 ProteinGym 数据集上，我们展示了 Q-BIOLAT 能够捕捉蛋白适应度景观的有意义结构，并能够识别高适应度变体。尽管采用简单的文件化方案，我们的方法在各种配置下都能一致检索到最近邻位于训练适应度分布顶部的序列，尤其是在最强配置下。我们进一步表明，不同的优化策略在 higher-dimensional 潜变量空间中表现出不同行为，进化搜索在高维空间中表现更好，而局部搜索在保持真实序列方面仍具竞争力。除了实际性能之外，Q-BIOLAT 为蛋白表示学习与组合优化提供了自然的桥梁。通过将蛋白适应度表述为 QUBO 问题，我们的框架可直接与新兴的量子退火硬件兼容，为量子辅助蛋白工程开辟了新方向。我们的实现已公开于：https://github.com/HySonLab/Q-BIOLAT
引用
@article{arxiv.2603.17247,
title = {Binary Latent Protein Fitness Landscapes for Quantum Annealing Optimization},
author = {Truong-Son Hy},
journal= {arXiv preprint arXiv:2603.17247},
year = {2026}
}