量子科技中心_量科网

癌症驱动基因的鉴定是开发靶向治疗方案的基础。通过将突变谱与蛋白质-蛋白质相互作用（PPI）网络整合来检测这些基因具有广阔前景[1,2]，但将其扩展至大规模网络数据集对计算能力要求极高。量子计算为此提供了紧凑表征和潜在复杂度降低的解决方案。受Gumpinger等人经典方法[3]的启发，该研究团队提出了一种新型监督式量子框架——通过量子多阶矩嵌入（QMME）状态制备方案，将突变评分与网络拓扑结构相结合。QMME能编码节点一阶和二阶邻居突变评分的低阶统计矩，并将这些信息转换为量子态，作为基于核的量子二元分类器输入，用于区分已知驱动基因与其他基因。在实证PPI网络上的模拟实验显示其具有竞争优势，召回率较经典基线提升12.6%。该流程执行显式量子态制备且无需经典训练，实现了近乎端到端的高效量子工作流。初步复杂度分析表明，该方法有望在网络化癌症基因预测中实现量子加速。该工作凸显了监督式量子图学习框架在推动生物医学发现方面的巨大潜力。