Clasificador cuántico geométrico informado por gráficos (GGQC) para la predicción de la enfermedad de Alzheimer
Oral-Virtual · Withdrawn
Abstract
1Facultad de Ciencias de la Educación, Universidad Tecnológica Indoamérica, Ambato 180103-Ecuador.
Saravana Prakash-Thirumuruganandham2
2Director of Research and Development, SIT Health , Edificio Bristol Of. 901, Catalina Aldaz, Quito 170504, Ecuador
William Daniel Lituma3
3Siddha Vetha University; 211 Warren st, Newark, New Jersey.
Hugo Chancay Ortega4
4School of Physics and Nanotechnology, Yachay Tech University, Urcuqui Imbabura, Ecuador
dr.castillo@indoamerica.edu.ec;
saravana@sit.health;
william.lituma@yachaytech.edu.ec;
hugo.chancay@yachaytech.edu.ec
La detección temprana de la enfermedad de Alzheimer basada en datos genómicos presenta desafíos significativos debido a la alta dimensionalidad y complejidad de las interacciones genéticas. Este proyecto presenta el Clasificador Cuántico Geométrico Informado por Grafos (GGQC), un novedoso modelo híbrido clásico-cuántico diseñado para identificar biomarcadores predictivos a partir de datos de expresión génica (RNA-Seq). El objetivo principal es desarrollar un clasificador robusto con un Área Bajo la Curva (AUC-ROC) superior a 0.85, superando los métodos convencionales.<br _istranslated="1" _mstmutation="1" />
La arquitectura GGQC integra tres componentes clave: una red neuronal gráfica (GNN) que modela las relaciones de coexpresión génica para extraer "firmas patológicas" de 32 dimensiones; un motor cuántico basado en la métrica de información cuántica de Fisher (QFIM) que genera un núcleo geométrico para capturar relaciones no lineales en datos biológicos; y una máquina de vectores de soporte (SVM) para la clasificación final. La metodología se aplicó a un conjunto de datos curado de 152 muestras cerebrales, equilibradas entre pacientes con Alzheimer y controles.<br _istranslated="1" _mstmutation="1" />
Los resultados actuales demuestran la viabilidad del enfoque. Las incrustaciones generadas por el GNN muestran una clara separación visual entre las muestras de control y Alzheimer, validando la capacidad del modelo para extraer características biológicamente relevantes. Sin embargo, el rendimiento predictivo actual, con un AUC de aproximadamente 0,60, está por debajo del objetivo. El análisis del problema sugiere que la compresión dimensional agresiva, necesaria para adaptar los datos de alta dimensión al circuito cuántico, puede estar eliminando información biológica sutil que es crucial para la clasificación.<br _istranslated="1" _mstmutation="1" />
En conclusión, GGQC ha demostrado ser un marco conceptualmente sólido con mérito científico, extrayendo con éxito firmas patológicas distinguibles. Aunque el rendimiento actual no alcanza el umbral deseado, la investigación establece una base prometedora para futuras optimizaciones de modelos, centradas en preservar más información biológica durante el procesamiento cuántico para explotar al máximo el potencial de la sinergia entre el aprendizaje profundo y la computación cuántica en la genómica del Alzheimer.
–
Publication: Miller, JA., Guillozet-Bongaarts, A., Gibbons, LE., et al. (2017). "Neuropathological and transcriptomic characteristics of the aged brain." eLife 6:e31126.
DOI: https://doi.org/10.7554/eLife.31126
Allen Institute for Brain Science (2016). "Aging, Dementia and Traumatic Brain Injury Study Documentation."URL: https://aging.brain-map.org/
ANÁLISIS BASELINE Y SELECCIÓN DE GENES
RNA-Seq Preprocessing y Control de Calidad
3. Love, MI., Huber, W., Anders, S. (2014). "Moderated estimation of fold change and dispersion for RNA-seq data with DESeq2." Genome Biology 15:550.
DOI: https://doi.org/10.1186/s13059-014-0550-8
Risso, D., Ngai, J., Speed, TP., Dudoit, S. (2014). "Normalization of RNA-seq data using factor analysis of control genes or samples." Nature Biotechnology 32:896–902.
DOI: https://doi.org/10.1038/nbt.2931
CONSTRUCCIÓN DE REDES DE CO-EXPRESIÓN GÉNICA
Langfelder, P., Horvath, S. (2008). "WGCNA: an R package for weighted correlation network analysis." BMC Bioinformatics 9:559.
DOI: https://doi.org/10.1186/1471-2105-9-559
Miller, JA., Oldham, MC., Geschwind, DH. (2008). "A Systems Level Analysis of Transcriptional Changes in Alzheimer's Disease and Normal Aging." Journal of Neuroscience 28(6):1410–1420.
Oldham, MC., Konopka, G., Iwamoto, K., et al. (2008). "Functional organization of the transcriptome in human brain." Nature Neuroscience 11:1271–1282.
DOI: https://doi.org/10.1038/nn.2207
GRAPH NEURAL NETWORKS (GNNs) EN GENÓMICA
Zhang, Xiao-Meng and Liang, Li and Liu, Lin and Tang, Ming-Jing (2021). "Graph Neural Networks and Their Current Applications in Bioinformatics." Frontiers in Genetics 12:690049.
DOI: https://doi.org/10.3389/fgene.2021.690049
QUANTUM MACHINE LEARNING (Componente Cuántico)
Schuld, M., Killoran, N. (2019). "Quantum Machine Learning in Feature Hilbert Spaces." Physical Review Letters 122:040504.
DOI: https://doi.org/10.1103/PhysRevLett.122.040504
Huang, HY., Broughton, M., Mohseni, M., et al. (2021). "Power of data in quantum machine learning." Nature Communications 12:2631.
DOI: https://doi.org/10.1038/s41467-021-22539-9
INTERPRETABILIDAD Y DESCUBRIMIENTO DE BIOMARCADORES
Lundberg, S. M., & Lee, S. (2017). A unified approach to interpreting model predictions. arXiv (Cornell University). https://doi.org/10.48550/arxiv.1705.07874
Presenters
-
David Castillo Salazar
- Universidad Tecnológica Indoamérica (UTI)