[논문 리뷰] Hybrid quantum-classical convolutional neural networks to improve molecular protein binding affinity predictions

L. Domingo, M. Djukic외 2명|arXiv (Cornell University)|2023. 01. 16.

Computational Drug Discovery Methods인용 수 4

한 줄 요약

이 논문은 분자 단백질 결합 친화도 예측에 사용되는 고전적 3D 컨볼루션 신경망의 첫 번째 컨볼루션 레이어를 양자 회로로 대체하는 하이브리드 양자-고전 3D 컨volution 신경망을 제안한다. 이로 인해 모델 복잡도는 20% 감소하고 학습 시간은 20–40% 단축되며 예측 성능는 유지된다. 이 방법은 고차원 분자 데이터를 더 효율적으로 처리하기 위해 양자 회로를 활용하며, 오차 보정을 통해 실제 노이즈 수준(p ≤ 0.01)에서도 견고한 성능을 발휘한다.

ABSTRACT

One of the main challenges in drug discovery is to find molecules that bind specifically and strongly to their target protein while having minimal binding to other proteins. By predicting binding affinity, it is possible to identify the most promising candidates from a large pool of potential compounds, reducing the number of compounds that need to be tested experimentally. Recently, deep learning methods have shown superior performance than traditional computational methods for making accurate predictions on large datasets. However, the complexity and time-consuming nature of these methods have limited their usage and development. Quantum machine learning is an emerging technology that has the potential to improve many classical machine learning algorithms. In this work we present a hybrid quantum-classical convolutional neural network, which is able to reduce by 20% the complexity of the classical network while maintaining optimal performance in the predictions. Additionally, it results in a significant time savings of up to 40% in the training process, which means a meaningful speed up of the drug discovery process.

연구 동기 및 목표

• 분자 단백질 결합 친화도 예측에 사용되는 고전적 3D 컨볼루션 신경망의 계산 복잡도와 학습 시간을 줄이기 위해.
• 고차원 분자 데이터를 처리하기 위해 양자 회로를 딥 러닝 아키텍처에 통합하는 것을 탐색하기 위해.
• 실제로 존재하는 노이즈가 있는 중규모 양자(NISQ) 환경에서 하이브리드 양자-고전 모델의 성능을 평가하기 위해.
• 기계 학습에 활용하기 위해 정확한 양자 출력을 복구하는 데에 데이터 회귀 오차 보정(DRER)의 효과성을 평가하기 위해.
• 양자 강화 모델이 매개변수 수와 학습 시간을 줄이면서도 예측 정확도를 유지할 수 있음을 보여주기 위해.

제안 방법

• 기본적인 3D CNN의 초기 고전적 컨볼루션 레이어를 매개변수화된 양자 회로로 대체하여 학습 가능한 매개변수의 수를 줄이기 위해.
• 단백질-리간드 복합체의 3차원 격자 표현을 입력으로 사용하며, 원자 기능을 부피 텐서에 인코딩하기 위해.
• 입력 데이터를 처리하기 위해 300개의 게이트를 갖는 양자 회로를 구현하며, 지수적 힐베르트 공간을 활용해 효율적인 특징 추출을 수행하기 위해.
• 양자 회로 출력의 노이즈를 보정하기 위해 데이터 회귀 오차 보정(DRER)을 적용하며, 최적화된 초모수를 가진 선형 모델을 사용하기 위해.
• 기본적인 고전적 3D CNN과 성능 및 학습 효율성을 비교하기 위해 단백질-리간드 결합 친화도 데이터셋을 기반으로 하이브리드 모델을 학습하기 위해.
• 다양한 오차 확률(p)을 갖는 노이즈 모델(분해산, 진폭 감쇠, 위상 감쇠)을 사용하여 고전적 하드웨어에서 양자 회로를 시뮬레이션하기 위해.

실험 결과

연구 질문

• RQ1 하이브리드 양자-고전 3D CNN은 예측 정확도를 훼손하지 않고도 결합 친화도 예측의 학습 매개변수 수를 줄일 수 있는가?
• RQ2 양자 회로는 분자 성질 예측을 위한 딥 러닝 모델의 학습 과정을 어느 정도 가속화할 수 있는가?
• RQ3 실제 노이즈 수준(p ≤ 0.01)에서 데이터 회귀 오차 보정(DRER)이 정확한 양자 출력을 복구하는 데 얼마나 효과적인가?
• RQ4 다양한 노이즈 모델(분해산, 진폭 감쇠, 위상 감쇠)은 하이브리드 모델의 성능에 어떤 영향을 미치는가?
• RQ5 오차 확률이 0.01 이하인 노이즈 있는 양자 하드웨어에서 하이브리드 모델은 최적의 성능을 유지할 수 있는가?

주요 결과

• 하이브리드 양자-고전 3D CNN은 고전적 기준 모델 대비 학습 매개변수 수를 20% 감소시켰다.
• 하드웨어에 따라 학습 시간이 20–40% 단축되어 약물 개발 파이프라인의 속도가 크게 향상되었다.
• 오차 확률 p ≤ 0.01 조건에서 DRER 오차 보정 기법은 노이즈 있는 회로보다 양자 회로 출력의 평균 제곱오차(MSE)를 낮추었다.
• p = 0.001일 때 경향 정확도는 0.89를 초과하여 출력 방향성의 신뢰성 있는 보정이 가능함을 나타냈다.
• 진폭 감쇠 노이즈 모델은 다른 노이즈 유형에 비해 보정 성능 향상 속도가 느리며 가장 도전적인 것으로 나타났다.
• p ≤ 0.01 및 300게이트 회로 조건에서 DRER 알고리즘이 노이즈 없는 양자 진폭을 성공적으로 복구하여 기계 학습에서 신뢰할 수 있는 활용이 가능했다.