Approche bioinformatique de la prédiction du cancer utilisant l’algorithme de clustering quantique pour la similarité comportementale dans l’expression génique

Shanu Das; Pritam Bhattacharjee; Kunal Das; Atanu Mondal

doi:10.3791/68890

Un abonnement JoVE est requis pour visualiser ce contenu. Connectez-vous ou commencez votre période d'essai gratuite.

Article de recherche

Approche bioinformatique de la prédiction du cancer utilisant l’algorithme de clustering quantique pour la similarité comportementale dans l’expression génique

495 vues

⸱

DOI :

10.3791/68890

⸱

9 janvier 2026

Shanu Das¹ , Pritam Bhattacharjee² , Kunal Das³ , Atanu Mondal⁴

¹Naba Barrackpore Prafulla Chandra Mahavidyalaya, ²School of Electronics Engineering (SENSE), Vellore Institute of Technology (VIT), Chennai, ³Acharya Prafulla Chandra College, ⁴Ramakrishna Mission Vidyamandira

Dans cet article

Résumé

Ce protocole vise à regrouper les données d’expression génique pour la classification du cancer à l’aide d’un algorithme hybride Quantum K-Means qui détecte automatiquement le nombre optimal de clusters et les sépare efficacement, faisant progresser les applications de bioinformatique sur les dispositifs Noisy Intermediate-Scale Quantum (NISQ).

Résumé

Cette étude introduit un algorithme hybride de clusterisation quantique K-Means avec détection automatique de clusters pour classifier les données d’expression génique cancéreuse et non cancéreuse. La méthode utilise la cartographie quantique multi-caractéristiques pour l’encodage d’état, l’estimation quantique basée sur le test de swap, et l’optimisation basée sur le gradient quantique pour identifier dynamiquement le nombre optimal de clusters en minimisant la variance intra-cluster. Les centroïdes initiaux sont sélectionnés à l’aide d’une stratégie probabilité-distance proportionnelle, améliorant la stabilité et la précision. Appliquée aux ensembles de données sur le cancer du sein, cette approche dépasse l’algorithme K-Means quantique existant, atteignant un score Silhouette de 0,641 (contre 0,601), un indice Calinski-Harabasz de 766,57 (contre 617,65) et un indice de Davies-Bouldin de 0,659 (contre 0,704). Ces résultats indiquent une compacité et une séparation supérieures des groupes. Bien que l’algorithme proposé présente une complexité temporelle O légèrement supérieure (N×_{K max}×_{M obs}) grâce à l’optimisation itérative, il surpasse nettement les K-Means quantiques prédéfinis K en termes de précision de clusterisation, de réduction des erreurs et de faisabilité pratique. Son efficacité dans la gestion de données de haute dimension et sa résilience au bruit quantique soulignent son potentiel pour des applications réelles en bioinformatique, en particulier dans la classification du cancer à l’aide de profils d’expression génique.

Introduction

En génie biomédical, bioinformatique, statistiques, sciences sociales et économie, le regroupement est une technique fondamentale pour organiser les données en groupes homogènes significatifs. Par exemple, l’analyse topologique des données (TDA) a été appliquée aux ensembles de données d’expression génique du cancer pour révéler des schémas structurels dans des espaces de haute dimension¹. Le clustering organise les données de manière à placer des objets à forte similarité dans le même groupe, tandis que des objets dissemblables sont assignés à des groupes différents. Cela relève de l’apprentissage non supervis....