日本語タイトル#
生化学的表現に基づく多モーダル量子ビジョントランスフォーマーによる酵素委員会分類
英文タイトル#
Multimodal Quantum Vision Transformer for Enzyme Commission Classification from Biochemical Representations
日本語摘要#
酵素の機能を正確に予測することは、計算生物学における主要な課題の一つであり、特に構造注釈や配列の相同性が限られている酵素にとって重要です。私たちは、酵素委員会（EC）分類を強化するために、四つの補完的な生化学的モダリティを統合した新しい多モーダル量子機械学習（QML）フレームワークを提案します：タンパク質配列埋め込み、量子由来の電子記述子、分子グラフ構造、および 2D 分子画像表現。量子ビジョントランスフォーマー（QVT）バックボーンは、モダリティ特有のエンコーダーと統一されたクロスアテンション融合モジュールを備えています。グラフ特徴と空間パターンを統合することにより、私たちの方法は酵素機能の背後にある重要な立体電子相互作用を捉えます。実験結果は、私たちの多モーダル QVT モデルが 85.1% のトップ 1 精度を達成し、配列のみのベースラインを大幅に上回り、他の QML モデルと比較しても優れた性能結果を得たことを示しています。
英文摘要#
Accurately predicting enzyme functionality remains one of the major challenges in computational biology, particularly for enzymes with limited structural annotations or sequence homology. We present a novel multimodal Quantum Machine Learning (QML) framework that enhances Enzyme Commission (EC) classification by integrating four complementary biochemical modalities: protein sequence embeddings, quantum-derived electronic descriptors, molecular graph structures, and 2D molecular image representations. Quantum Vision Transformer (QVT) backbone equipped with modality-specific encoders and a unified cross-attention fusion module. By integrating graph features and spatial patterns, our method captures key stereoelectronic interactions behind enzyme function. Experimental results demonstrate that our multimodal QVT model achieves a top-1 accuracy of 85.1%, outperforming sequence-only baselines by a substantial margin and achieving better performance results compared to other QML models.
文章ページ#
生化学的表現に基づく多モーダル量子ビジョントランスフォーマーによる酵素委員会分類
PDF 获取#
抖音でさらに素晴らしいコンテンツを見るには QR コードをスキャンしてください