[论文解读] 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 0

一句话总结

直接回答摘要：本论文提出一种利用时间分辨的 IC-POVM 数据来推断基因调控网络的量子哈密顿学习框架，给出 QHGM 模型及可扩展的变分学习算法（VQ-Net），在合成数据和胶质母细胞瘤 scRNA-seq 数据上进行验证。

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.

研究动机与目标

• 从一个固定初态出发，建立一个基于时间分辨 IC-POVM 数据的哈密顿学习问题。
• 构建一个量子启发的基因表达模型（QHGM），将 GRN 作用以参数化哈密顿量编码。
• 开发一个可扩展的变分学习算法（VQ-Net），从 scRNA-seq 数据估计哈密顿量参数。
• 给出有限样本下的保证并分析样本复杂度。
• 在合成数据上演示方法，并将其应用于胶质母细胞瘤（Glioblastoma）scRNA-seq 以发现可能的调控关系。

提出的方法

• 定义 H(w)=sum_j w_j H_j，w 在一个有界集合内，并演化 rho_t(w)=U_t(w) rho_0 U_t(w)†，其中 U_t(w)=exp(-i t H(w))。
• 对每个 qudit 执行 IC-POVM 测量，以获得结果的概率 phi(m|t,w)=tr(Lambda_m rho_t(w))。
• 收集 N_t 个时间样本，每个时间点有 N_c 个结果；使用经验风险最小化，最小化经验风险 L_hat(w) = (1/N_t)(1/N_c) sum_i sum_k ell(phi(m_(i,k)|t_i,w))。
• 在假设条件下证明，N_t = O~(c^3/ε^2 log(1/δ)) 且 N_c = O~(c^3/ε^2 log(N_t/δ)) 能使 L_hat 达到 (1-2ε)μ_0-强凸性，且误差界为 ||w_hat−w*|| = O~( (1/((1-2ε)μ_0)) sqrt(c/(N_c) log(N_t/δ)) )。
• 与以下相关的问题相关的研究问题：
• 在 QHL 中，需要多少时间样本和每个时间点的测量才能准确恢复哈密顿量参数？
• 是否可以将量子哈密顿框架有效用于建模并从 scRNA-seq 数据中推断 GRN？
• 在此设定中，经验风险最小化的可辨识性和收敛性质是什么？
• 该方法在合成数据上和真实 GBM scRNA-seq 数据上在恢复已知调控相互作用方面的表现如何？
• key_findings
• VQ-Net 在合成数据上高效恢复哈密顿权重，随着 N_t 和 N_c 增加，精度提升。
• 有限样本界给出当系统规模多项式增长时所需样本的多项式规模。
• 时间分辨的 IC-POVM 数据的经验风险最小化在 w_hat 上呈现强凸性并给出可证明的误差界。
• 将 VQ-Net 应用于 GBM 的 GBM scRNA-seq 数据，识别出与已知生物学一致的调控相互作用，包括 ASCL1 及其靶基因如 BCAN、CDK4、CKB 等。
• 在合成数据上，随着 N_t 增大到超过 15、N_c 增大到超过 1000，权重回收有所改进；若 N_t 不足，可能出现不可辨识。
• GBM 分析揭示一个可辨识的 GRN，具有可辨识的激活与抑制模式，并显示方法能够揭示生物学上可信的调控连接。

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}_

实验结果

研究问题

• RQ1 用于基于时间分辨 IC-POVM 测量的鲁棒哈密顿量参数估计所需的样本复杂度（N_t、N_c）是多少？
• RQ2 QHL 框架能否被实例化为基因表达的生成模型（QHGM），并从 scRNA-seq 数据学习？
• RQ3 在该设定下，经验损失 L_hat 向期望损失 L 的统一收敛性质是什么？
• RQ4 在真实的 GBM scRNA-seq 数据中，VQ-Net 是否能恢复已知调控相互作用并揭示可信的新连接？

主要发现

• 理论结果表明 N_t 和 N_c 与哈密顿量参数数量呈多项式尺度，并给出 w_hat 的误差界。
• 合成数据的经验结果表明权重回收随 N_t、N_c 增大而改善，且低 N_t 可能导致不可辨识问题。
• VQ-Net 成功同时学习初始态参数与权重，初始态估计对样本变异更鲁棒。
• 应用于 GBMap GBM scRNA-seq 数据时，回收出已知的调控相互作用，并突出与 OPC-like 细胞分化轨迹一致的调控模式。
• GBM 分析表明该框架可揭示生物学上可信的 GRN，并提示癌症研究中的潜在调控结构。

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