多组学与量子机器学习集成用于肺癌亚型分类

量子机器学习 (QML) 是一个红热领域，为解决、加速或细化广泛计算问题的分析提供了新发现和激动人心的机会。在生物医学研究和个性化医疗领域，多组学集成的重要性在于其能够提供对复杂生物系统的全面和整体理解。该技术将基础研究与临床实践联系起来。从集成组学数据中获得的见解可转化为用于诊断、预后和治疗规划的临床工具。量子计算与机器学习的融合为解析多组学数据集中的复杂模式、提供前所未有的对肺癌分子景观的见解提供了前景。由于多组学癌症数据的异质性、复杂性和高维度，特征数量众多（如基因表达、micro-RNA 和 DNA 甲基化）相对于有限的肺癌患者样本数而言庞大，因此本文的首要动机是将多组学数据、独特特征选择和肺亚型诊断分类集成起来：肺鳃状细胞癌 (LUSC-I) 和肺腺癌 (LUAD-II)，使用量子机器学习。我们 developed a method for finding the best differentiating features between LUAD and LUSC datasets, which has the potential for biomarker discovery. 该方法有望发现生物标志物。