用于突变COVID-19毒株预测的量子深度学习

在疫情期间，具有更高传播力和致病性的新型COVID-19流行毒株（如Delta和Omicron）迅速出现并蔓延全球，同时造成高死亡率。基于可用的突变SARS-CoV-2 RNA序列早期预测COVID-19流行毒株的可能变体（尤其是刺突蛋白）有助于早期预防和治疗。在此，结合量子及量子启发算法优势与深度学习的广泛应用，我们提出名为DeepQuantum的开发工具，并利用该软件实现预测COVID-19流行毒株刺突蛋白变异结构的目标。此外，这一混合量子-经典模型首次实现了类似于经典深度可分离卷积的量子启发模糊卷积，并成功应用了带量子线路的量子渐进训练，二者共同保证我们的模型是著名style-based GAN的量子对应物。结果表明，随机生成刺突蛋白变异结构的保真度对Delta始终超过96%，对Omicron超过94%。与相应经典算法相比，采用多损失函数时训练损失曲线更稳定且收敛更好。最后，量子启发算法促进经典深度学习以及混合模型有效预测突变毒株的证据是充分的。