乳腺癌的量子增强分层：探索真实组学数据的量子表达能力

量子机器学习（Quantum Machine Learning, QML）被认为是含噪中等规模量子（Noisy Intermediate Scale Quantum, NISQ）时代量子计算最具前景的应用之一，人们认为它将在不久的将来产生重大影响。尽管具有理论上的良好前景，但关于 QML 如何促进医学和生物学领域新发现的探索仍处于起步阶段，相关实例寥寥无几。在本研究中，我们旨在评估量子核（Quantum Kernel, QK）能否基于分子特征有效地对乳腺癌患者的亚型进行分类。我们对具有不同纠缠程度的编码配置进行了启发式探索，以确定核表达能力与性能之间的权衡。我们的结果表明，QK 在使用较少数据点的情况下能产生与经典方法相当的聚类结果，并且能够以更多的簇数拟合数据。此外，我们在量子处理单元（Quantum Processing Unit, QPU）上进行了实验，以评估噪声对结果的影响。我们发现，表达能力较弱的编码对噪声表现出更强的鲁棒性，这表明该计算流水线可以在 NISQ 设备上可靠地实现。我们的研究结果表明，QK 方法在精准肿瘤学中具有应用前景，尤其是在数据集规模有限且无法通过经典方法实现复杂分子数据的精细非平凡分层的场景中。