基于量子网络的癌症驱动基因预测

癌症驱动基因的识别是开发靶向治疗干预的基本任务。将突变轮廓与蛋白-蛋白相互作用（PPI）网络整合提供了一种有前景的检测方法[1, 2]，但扩展到大型网络数据集在计算上具有挑战性。量子计算提供了紧凑的表示和潜在的复杂度降低。鼓动于 Gumpinger 等人[3]的经典方法，本工作引入一种监督量子框架，将突变得分与网络拓扑结合，通过一种新颖的状态准备方案（Quantum Multi-order Moment Embedding, QMME）实现。QMME 编码了节点直接邻居和二阶邻居突变得分的低阶统计矩，并将此信息编码到量子态中。这些状态用作基于核函数的量子二分类器的输入，用于判别已知驱动基因与其他基因。在经验证的 PPI 网络上的仿真显示，性能与经典基线相当，召回率提升 12.6%。该管道执行显式的量子态准备，不需要经典训练，实现了一种高效、近乎端到端的量子工作流程。简要的复杂度分析表明，该方法可能在网络基础的癌症基因预测中实现量子加速。本工作凸显了监督量子图学习框架在推动生物学发现方面的潜力。