基于多群 chiral 量子步的链接预测

重建蛋白质-蛋白质相互作用网络是网络医学中的核心挑战，常通过链接预测算法来解决。近期研究表明，基于量子步的方法在此任务中具有潜力。本文在这些算法基础上通过在哈姆顿量生成器中添加随机相位来引入 chirality。所得额外的自由度使网络探索更具多样性，我们通过采用多群 chiral 量子步来加大这种多样性的探索。因此，我们提升了量子步在复杂网络上的预测能力。相较于非 chiral 算法，chiral 版本表现出更大的鲁棒性，其性能对非 chiral 模型的关键超参数——最优演化时间——的依赖性更小。这一改进源于 chirality 在群体内引入的互补动力学。通过分析多个相位抽样策略，我们识别出实现实际权衡的配置：在保持非 chiral 算法在其最优时间内高预测准确度的同时，获得 chirality 所特有的鲁棒性。我们的发现凸显了 chiral 量子步的多样性，并表明它们在现实场景下（包括与不断演化的数据库版本的比较）能够超越经典方法和非 chiral 量子方法。