[论文解读] 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 7

一句话总结

本文提出QuStyleGAN，一种结合量子与经典计算的生成对抗网络，采用量子启发卷积与渐进式训练方法，用于预测SARS-CoV-2变异株（如Delta和Omicron）的刺突蛋白突变。其生成的变异株结构保真度超过96%，相较于经典模型，训练稳定性与收敛性均有提升。

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.

研究动机与目标

• 开发一种量子增强的深度学习框架，用于早期预测SARS-CoV-2突变株，尤其聚焦于刺突蛋白的突变。
• 通过序列分析实现早期检测，应对Delta和Omicron等高度传染性及免疫逃逸型变异株的快速出现挑战。
• 将量子机器学习优势（如量子启发卷积与渐进式训练）整合到可扩展的混合量子-经典生成模型中。
• 通过保真度与训练动态指标，评估量子模型相较于经典基线模型的性能表现。

提出的方法

• 作者开发了DeepQuantum，一个基于PyTorch的量子机器学习框架，支持经典神经网络与量子神经网络之间的端到端反向传播，实现联合参数优化。
• 引入了量子启发模糊卷积，作为经典深度可分离卷积的量子模拟，以保持空间特征层次结构，同时实现量子加速。
• 实施了量子渐进式训练策略，使生成结构在逐步提升的分辨率层级上实现精细化优化，模仿经典风格迁移GAN的机制。
• 生成器被调整为处理SARS-CoV-2 RNA序列，而判别器则以量子线路形式实现，以保留特征表示中的量子优势。
• 采用两种损失函数——逻辑损失与相对性铰链损失，用于对比量子与经典模型的训练动态，结果显示量子模型收敛更优。
• 使用量子态保真度公式计算输入（真实）与生成（合成）刺突蛋白序列之间的保真度：$ 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} $。

实验结果

研究问题

• RQ1 混合量子-经典生成模型能否有效预测Delta和Omicron等新兴变异株中SARS-CoV-2刺突蛋白的结构变异？
• RQ2 量子启发模糊卷积在保持特征层次结构与模型性能方面，相较于经典深度可分离卷积表现如何？
• RQ3 量子渐进式训练是否能提升生物序列生成生成模型的训练稳定性和收敛性？
• RQ4 当在病毒RNA序列上进行训练时，量子增强GAN在保真度与损失函数适应性方面相较于经典GAN的优越程度如何？
• RQ5 量子机器学习模型能否从原始RNA数据中实现对突变刺突蛋白序列的高保真度重建？

主要发现

• 量子风格生成对抗网络（QuStyleGAN）在生成Delta变异株刺突蛋白结构时，保真度超过96%，表明与真实突变序列高度相似。
• 对于Omicron变异株，模型保真度仍维持在94%以上，证明其在高度变异且多样的毒株中具有强鲁棒性。
• 量子模型的训练损失曲线更稳定，收敛速度优于经典模型，尤其在使用多种损失函数时表现更优。
• 相对性铰链损失的引入改善了量子与经典模型的训练动态，但量子模型展现出更优的收敛性与灵活性。
• 量子启发模糊卷积成功模拟了经典深度可分离卷积，同时在特征学习与参数效率方面实现了量子优势。
• 通过DeepQuantum库实现的混合量子-经典框架，实现了经典与量子神经网络之间的无缝反向传播与联合优化。