QCS-ADME：基于不平衡数据和回归适应的量子电路搜索用于药物性质预测
量子物理
2026-02-26 v2 人工智能
机器学习
摘要
医疗领域正在探索利用量子机器学习 (QML) 处理传统上由经典机器学习方法处理的任务，尤其是在预测药物评估中至关重要的 ADME (吸收、分布、代谢和排泄) 性质。然而，ADME 任务为现有量子计算系统 (QCS) 框架带来了独特挑战，因为它们既涉及不平衡数据集的分类问题，又涉及回归问题。这些双重要求 necessitates 调整和细化当前 QCS 框架以有效应对 ADME 预测的复杂性。我们提出了一种用于评估 QML 电路在不平衡分类和回归任务上性能的无训练评分机制。我们的机制在不平衡分类任务上显示出显著的评分指标与测试性能相关性。此外，我们发展了方法来量化量子态之间的连续相似性关系，从而实现对回归任务性能的预测。这代表了一种针对回归应用的新型无训练 QCS 电路搜索和评估方法。在代表性 ADME 任务上进行验证——其中包括八个不平衡分类和四个回归——显示出我们的评分指标与电路性能之间具有中等相关性，显著优于表明相关性可忽略不计的基准评分方法。
引用
@article{arxiv.2503.01927,
title = {QCS-ADME: Quantum Circuit Search for Drug Property Prediction with Imbalanced Data and Regression Adaptation},
author = {Kangyu Zheng and Tianfan Fu and Zhiding Liang},
journal= {arXiv preprint arXiv:2503.01927},
year = {2026}
}