[論文レビュー] Quantum Hamiltonian Learning using Time-Resolved Measurement Data and its Application to Gene Regulatory Network Inference

Mohammad Aamir Sohail, Ranga R. Sudharshan+2 more|arXiv (Cornell University)|Feb 23, 2026

Gene Regulatory Network Analysis被引用数 0

ひとこと要約

この論文は、時間分解IC-POVMデータを用いた量子ハミルトニアン学習フレームワークを開発し、遺伝子調節ネットワークを推定する。QHGMモデルとスケーラブルな変分学習アルゴリズム（VQ-Net）を導入し、 syntheticデータと膠芽腫GBMのscRNA-seqデータで検証した。

ABSTRACT

We present a new Hamiltonian-learning framework based on time-resolved measurement data from a fixed local IC-POVM and its application to inferring gene regulatory networks. We introduce the quantum Hamiltonian-based gene-expression model (QHGM), in which gene interactions are encoded as a parameterized Hamiltonian that governs gene expression evolution over pseudotime. We derive finite-sample recovery guarantees and establish upper bounds on the number of time and measurement samples required for accurate parameter estimation with high probability, scaling polynomially with system size. To recover the QHGM parameters, we develop a scalable variational learning algorithm based on empirical risk minimization. Our method recovers network structure efficiently on synthetic benchmarks and reveals novel, biologically plausible regulatory connections in Glioblastoma single-cell RNA sequencing data, highlighting its potential in cancer research. This framework opens new directions for applying quantum-like modeling to biological systems beyond the limits of classical inference.

研究の動機と目的

• 時間分解IC-POVMデータから固定初期状態を出発点としてハミルトニアン学習問題を定式化する。
• GRN相互作用をパラメトリックハミルトニアンとしてエンコードする量子に触発されたモデル（QHGM）を具現化する。
• scRNA-seqデータからハミルトニアンパラメータを推定するスケーラブルな変分学習アルゴリズム（VQ-Net）を開発する。
• 有限サンプル保証を提供しサンプル複雑性を分析する。
• 合成データでのデモンストレーションとGlioblastomaのscRNA-seqへの適用を通じて妥当な調節結合を明らかにする。

提案手法

• H(w)=sum_j w_j H_j を用い、wは有界集合に属し、rho_t(w)=U_t(w) rho_0 U_t(w)†、U_t(w)=exp(-i t H(w))として時間発展させる。
• 各quditに対してIC-POVM測定を行い、phi(m|t,w)=tr(Lambda_m rho_t(w)) で出力確率を得る。
• 時間サンプルN_tを集め、各時間につきN_c個の結果を得て、経験的リスクL_hat(w)=(1/N_t)(1/N_c) ∑_i ∑_k ell(phi(m_(i,k)|t_i,w))を経験的リスク最小化として最小化する。
• 仮定のもとで、N_t = O~(c^3/ε^2 log(1/δ)) および N_c = O~(c^3/ε^2 log(N_t/δ)) が L_hat の(1-2ε)μ_0-強凸性と誤差境界 ||w_hat−w*|| = O~( (1/((1-2ε)μ_0)) sqrt(c/(N_c) log(N_t/δ)) ) を与えることを証明する。
• 以下に関連するresearch_questions：
• QHLでハミルトニアンパラメータを正確に回復するには時間サンプルと各時間の測定はどの程度必要か？
• 量子ハミルトニアンフレームワークを遺伝子発現の生成モデル（QHGM）として実装しscRNA-seqデータから学習できるか？
• この設定における経験的リスク最小化の一様収束性はどうなるか？
• VQ-Netは実データGBMのscRNA-seqで既知の調節相互作用を回復し新たな妥当な結合を示すか？

Figure 1 : Overview of the quantum Hamiltonian-based gene-expression model (QHGM). A gene regulatory network (GRN) is mapped to a parameterized Hamiltonian $\mathrm{H}(\mathbf{w})$ , where the presence of gene $\mathsf{g}_{i}$ induces the action of a Pauli- $\mathrm{Y}$ operator on gene $\mathsf{g}_

実験結果

リサーチクエスチョン

• RQ1 時間分解IC-POVM測定下で信頼できるハミルトニアンパラメータ推定に必要なサンプル複雑性（N_t, N_c）はどれか？
• RQ2 QHLフレームワークを遺伝子発現の生成モデルとして具現化しscRNA-seqデータから学習できるか？
• RQ3 この設定での経験的損失L_hatと期待損失Lの一様収束性はどうなるか？
• RQ4 GBMのscRNA-seqデータで既知の調節相互作用を回復し妥当な新規結合を示せるか？

主な発見

• VQ-Netは合成データ上でハミルトニアン重みを効率的に回復し、N_tおよびN_cの増加とともに精度が向上する。
• 有限サンプル境界は、cがnに多項式的にスケールする場合、系のサイズとともに必要サンプル数が多項式的にスケールすることを示す。
• 時間分解IC-POVMデータを用いた経験的リスク最小化は、w_hatに対して強凸性と証明可能な誤差境界を与える。
• VQ-NetをGBMのscRNA-seqデータGBMapに適用すると、ASCL1を含む調節相互作用やBCAN、CDK4、CKBといった標的など、既知の生物学と一致する調節関係を特定する。
• 合成データ上、N_tを15以上、N_cを1000以上にすると重み回復が改善され、不十分なN_tは同定不能性を引き起こす。
• GBM分析は、活性化と抑制パターンを識別できるGRNを示し、方法が生物学的に妥当な規制結合を明らかにする可能性を示す。）

Figure 2 : VQ-Net. (A) Raw scRNA-seq data are preprocessed, normalized, and assigned pseudotime values, providing a temporal ordering of cells along a developmental trajectory. (B) The normalized pseudotime-ordered scRNA-seq data are converted into four discrete values, denoted as $\mathcal{G}$ , wh