用于生化表征酶委员会分类的多模态量子视觉Transformer
机器学习
2025-08-21 v1
摘要
准确预测酶功能是计算生物学中的主要挑战之一，尤其是对于结构注释有限或序列同源性较低的酶。我们提出了一种新颖的多模态量子机器学习(QML)框架，通过整合四种互补的生化学模态——蛋白质序列嵌入、量子衍生电子描述符、分子图结构和二维分子图像表征——来提升酶委员会(EC)分类能力。量子视觉Transformer(QVT)骨干网络配备了模态特定编码器和统一的交叉注意力融合模块。通过整合图特征和空间模式，我们的方法能够捕捉酶功能背后的关键立体电子相互作用。实验结果表明，我们的多模态QVT模型达到了85.1%的top-1准确率，显著优于仅基于序列的基线模型，并在与其他QML模型的比较中取得了更好的性能。
引用
@article{arxiv.2508.14844,
title = {Multimodal Quantum Vision Transformer for Enzyme Commission Classification from Biochemical Representations},
author = {Murat Isik and Mandeep Kaur Saggi and Humaira Gowher and Sabre Kais},
journal= {arXiv preprint arXiv:2508.14844},
year = {2025}
}
备注
Accepted at IEEE International Conference on Quantum Artificial Intelligence (QAI) 2025