[논문 리뷰] Quantum Deep Learning for Mutant COVID-19 Strain Prediction

Yu-Xin Jin, Junjie Hu외 6명|arXiv (Cornell University)|2022. 03. 04.

SARS-CoV-2 and COVID-19 Research인용 수 7

한 줄 요약

이 논문은 양자 힘 입힌 컨볼루션과 점진적 훈련을 사용하는 하이브리드 양자-고전적 생성 적대 신경망인 QuStyleGAN을 제안한다. 이는 델타 및 옹미크론과 같은 사스코로나2 변이의 스파이크 단백질 돌연변이를 예측하는 데 목적이 있다. 모델은 실제 변이의 구조와의 유사도가 96% 이상을 기록하며, 고전적 모델 대비 훈련 안정성과 수렴성 향상을 보였다.

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.

연구 동기 및 목표

• 사스코로나2 변이의 조기 예측을 위한 양자 강화된 딥러닝 프레임워크 개발
• 델타 및 옹미크론과 같은 고전적 전파성과 면역 회피 능력을 지닌 변이의 급속한 출현 문제를 해결하기 위해, 시퀀스 분석을 통한 조기 감지 가능하도록 설계
• 양자 기계학습의 장점을 — 예를 들어, 양자 힘 입힌 컨볼루션과 점진적 훈련 — 을 확장 가능한 하이브리드 양자-고전적 생성 모델에 통합
• 유사도 및 훈련 동역학 메트릭을 사용해 양자 모델과 고전적 베이스라인 간 성능 평가 수행

제안 방법

• 저자는 고전적 및 양자 신경망 간의 연속적 역전파를 가능하게 하는 PyTorch 기반의 양자 기계학습 프레임워크인 DeepQuantum를 개발하여 공동 파rameter 최적화를 실현했다.
• 공간적 특징 계층을 유지하면서도 양자 가속을 가능하게 하는, 고전적 딥워이즈 컨볼루션의 양자 버전인 양자 힘 입힌 블러 컨볼루션을 도입했다.
• 점진적 훈련 전략을 구현하여 증가하는 해상도 수준에서 점진적으로 생성된 구조를 정교화하는 방식으로, 고전적 스타일 기반 GAN을 모방했다.
• 생성자 모델은 사스코로나2 RNA 시퀀스를 처리하도록 수정되었으며, 특징 표현에서의 양자 이점을 유지하기 위해 판별자 모델은 양자 회로로 구현되었다.
• 양자 및 고전적 모델 간의 훈련 동역학을 비교하기 위해 로지스틱 손실과 상대적 허브 손실 두 가지 손실 함수를 사용하였으며, 양자 모델이 더 나은 수렴성을 보였다.
• 입력(실제) 및 생성(합성)된 스파이크 단백질 시퀀스 간의 유사도는 양자 상태 유사도 공식을 사용해 계산되었다: $ 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} $.

실험 결과

연구 질문

• RQ1 델타 및 옹미크론과 같은 신규 변이에서 사스코로나2 스파이크 단백질의 구조적 변이를 효과적으로 예측할 수 있는 하이브리드 양자-고전적 생성 모델이 가능한가?
• RQ2 양자 힘 입힌 블러 컨볼루션은 고전적 딥워이즈 컨볼루션 대비 특징 계층 유지 및 모델 성능에 있어 어떤가?
• RQ3 양자 점진적 훈련은 생물학적 시퀀스 생성을 위한 생성 모델에서 훈련 안정성과 수렴성 향상에 기여하는가?
• RQ4 바이러스 RNA 시퀀스로 훈련된 경우, 양자 강화 GAN이 고전적 GAN에 비해 얼마나 높은 유사도와 손실 함수 적응성에서 뛰어나게 되는가?
• RQ5 양자 기계학습 모델은 원시 RNA 데이터로부터 돌연변이 스파이크 단백질 시퀀스를 고유사도로 재구성할 수 있는가?

주요 결과

• 양자 스타일 GAN(QuStyleGAN)은 델타 변이의 스파이크 단백질 구조를 생성할 때 96% 이상의 유사도를 기록하여 실제 돌연변이 시퀀스와 매우 유사한 결과를 도출했다.
• 옹미크론 변이의 경우도 모델은 94% 이상의 유사도를 유지하여 다양한 돌연변이를 가진 고도로 변이된 변이에 대해서도 강건함을 입증했다.
• 양자 모델의 훈련 손실 곡선은 고전적 모델 대비 더 안정적이며, 특히 다중 손실 함수를 사용할 경우 더 빠르게 수렴했다.
• 상대적 허브 손실의 통합은 양자 및 고전적 모델 양쪽 모두에서 훈련 동역학을 향상시켰지만, 양자 모델은 더 뛰어난 수렴성과 유연성을 보였다.
• 양자 힘 입힌 블러 컨볼루션은 고전적 딥워이즈 컨볼루션을 효과적으로 모방하면서도, 특징 학습 및 파rameter 효율성에서 양자 이점을 제공했다.
• DeepQuantum 라이브러리를 통해 구현된 하이브리드 양자-고전적 프레임워크는 고전적 및 양자 신경망의 연속적 역전파와 공동 최적화를 가능하게 했다.