[論文レビュー] Quantum Deep Learning for Mutant COVID-19 Strain Prediction

Yu-Xin Jin, Junjie Hu+6 more|arXiv (Cornell University)|Mar 4, 2022

SARS-CoV-2 and COVID-19 Research被引用数 7

ひとこと要約

本論文では、量子インスパイアド畳み込みと段階的訓練を用いたハイブリッド量子古典的生成対抗ネットワーク、QuStyleGANを提案する。この手法は、デルタやオミクロンなどのSARS-CoV-2変異株のスパイクたんぱく質の変異を予測することを目的としている。生成された変異株構造の忠実度は96%以上を達成しており、古典的モデルと比較して訓練の安定性と収束性が向上している。

ABSTRACT

New COVID-19 epidemic strains like Delta and Omicron with increased transmissibility and pathogenicity emerge and spread across the whole world rapidly while causing high mortality during the pandemic period. Early prediction of possible variants (especially spike protein) of COVID-19 epidemic strains based on available mutated SARS-CoV-2 RNA sequences may lead to early prevention and treatment. Here, combining the advantage of quantum and quantum-inspired algorithms with the wide application of deep learning, we propose a development tool named DeepQuantum, and use this software to realize the goal of predicting spike protein variation structure of COVID-19 epidemic strains. In addition, this hybrid quantum-classical model for the first time achieves quantum-inspired blur convolution similar to classical depthwise convolution and also successfully applies quantum progressive training with quantum circuits, both of which guarantee that our model is the quantum counterpart of the famous style-based GAN. The results state that the fidelities of random generating spike protein variation structure are always beyond 96% for Delta, 94% for Omicron. The training loss curve is more stable and converges better with multiple loss functions compared with the corresponding classical algorithm. At last, evidences that quantum-inspired algorithms promote the classical deep learning and hybrid models effectively predict the mutant strains are strong.

研究の動機と目的

• SARS-CoV-2の変異株、特にスパイクたんぱく質の変異に焦点を当て、早期に予測可能な量子強化型ディープラーニングフレームワークの開発。
• デルタやオミクロンのような急速に出現する感染性が高く免疫逃避型の変異株に対処するため、配列解析による早期検出を可能にする。
• 量子機械学習の利点（例：量子インスパイアド畳み込み、段階的訓練）をスケーラブルなハイブリッド量子古典的生成モデルに統合する。
• 忠実度と訓練ダイナミクスの指標を用いて、量子モデルと古典的ベースラインの性能を評価する。

提案手法

• 著者らは、古典的および量子ニューラルネットワーク間のスムーズなバックプロパゲーションを可能にし、パラメータを共同最適化できるPyTorchベースの量子機械学習フレームワーク「DeepQuantum」を開発した。
• 空間的特徴階層を維持しながら量子加速を可能にするために、古典的深度可逆畳み込みの量子アナログである「量子インスパイアドぼかし畳み込み」を導入した。
• 段階的訓練戦略を実装し、解像度を段階的に高めるごとに生成構造を徐々に精錬するようにした。これは古典的スタイルベースGANを模倣するものである。
• 生成器はSARS-CoV-2のRNA配列を処理するように変更された一方、識別器は量子回路として実装され、特徴表現における量子の利点を保持した。
• 量子モデルと古典的モデルの訓練ダイナミクスを比較するために、論理損失と相対的ハーフ損失の2つの損失関数を用いた。量子モデルは収束性に優れていた。
• 入力（実際の）と生成（合成された）スパイクたんぱく質配列間の忠実度は、量子状態忠実度の式を用いて計算された：$ F = ext{Tr}( ho_{ ext{in}} ho_{ ext{out}}) + rac{1}{2} ig(1 - ext{Tr}( ho_{ ext{in}}^2)ig)^{1/2} ig(1 - ext{Tr}( ho_{ ext{out}}^2)ig)^{1/2} $。

実験結果

リサーチクエスチョン

• RQ1 ハイブリッド量子古典的生成モデルは、デルタやオミクロンのような新規変異株におけるSARS-CoV-2スパイクたんぱく質の構造的変異を効果的に予測できるか？
• RQ2 量子インスパイアドぼかし畳み込みは、特徴階層の維持とモデル性能において、古典的深度可逆畳み込みと比較してどのように異なるか？
• RQ3 量子段階的訓練は、生物学的配列生成のための生成モデルにおける訓練の安定性と収束性を向上させるか？
• RQ4 ウイルスのRNA配列を学習対象とした場合、量子強化GANは古典的GANに比べて忠実度と損失関数の適応性においてどの程度優れているか？
• RQ5 量子機械学習モデルは、生のRNAデータから変異スパイクたんぱく質配列を高忠実度で再構築できるか？

主な発見

• 量子スタイルGAN（QuStyleGAN）は、デルタ変異株のスパイクたんぱく質構造を96%以上の忠実度で生成し、実際の変異配列と類似していることを示した。
• オミクロン変異株に対しても、忠実度が94%以上を維持しており、多様で顕著に変異した株に対しても高い頑健性を示した。
• 量子モデルの訓練損失曲線は、特に複数の損失関数を用いた場合、古典的モデルと比較してより安定しており、収束が速かった。
• 相対的ハーフ損失の導入により、量子モデルおよび古典的モデルの両方の訓練ダイナミクスが改善されたが、量子モデルは優れた収束性と柔軟性を示した。
• 量子インスパイアドぼかし畳み込みは、古典的深度可逆畳み込みを効果的に模倣した一方で、特徴学習とパラメータ効率性における量子の利点を活用できた。
• DeepQuantumライブラリを介して実装されたハイブリッド量子古典的フレームワークにより、古典的および量子ニューラルネットワークのスムーズなバックプロパゲーションと共同最適化が可能になった。