Quantum Attention GANs for Enhanced Compound– Protein Interaction Prediction
Notice bibliographique
Résumé
The prediction of compound–protein interactions (CPIs) is a vital task in computational biology, driving advancements in drug discovery, protein function analysis, and understanding of complex biological processes. However, existing models face challenges in effectively capturing quantum-level molecular interactions, particularly when representing DNA–protein complexes within quantum computational frameworks. To overcome these limitations, we introduce a novel Hamiltonian Multi-Quantum Head Generative Self Dandelion Adversarial Attention Network (HMQ-HGS-D2AN). The proposed approach leverages molecular qubit representation, encoding each base pair or amino acid as a qubit state while mapping structural parameters to Bloch sphere coordinates, thereby enriching the quantum characterization of biomolecular interactions. The methodology incorporates fuzzy min–max neural network– based preprocessing, feature mapping through the Discrete Cosine–Krawtchouk–Tchebichef Transform (DCKTKT), and dimensionality reduction using the Prairie Dog Optimization Algorithm. At its core, the architecture integrates Hamiltonian Quantum Generative Adversarial Networks (HQuGANs) with multi-head self-attention, optimized via the Dandelion Optimizer Algorithm (DOA), producing robust and discriminative quantum state representations. Experimental validation on human and C. elegans datasets highlights the model’s effectiveness, achieving an exceptional 99.9% accuracy in CPI prediction.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».