A Dimension-Matched Quantum Feature Map for Hierarchical Gene Ontology Term Prediction: Attributing the Gain on CAFA6

Resumen Técnico: Un Mapa de Características Cuánticas con Coincidencia de Dimensiones para la Predicción Jerárquica de Términos de la Ontología Génica

Planteamiento del Problema
El artículo aborda el desafío de predecir términos de la Ontología Génica (GO) para secuencias de proteínas, una tarea caracterizada por la clasificación jerárquica y multietiqueta con datos dispersos y desbalanceados. Aunque el aprendizaje automático cuántico (QML) se ha aplicado a problemas biológicos, los estudios existentes sobre mapas de características cuánticas sufren un fallo metodológico crítico: comparan un circuito cuántico que mapea $K$ entradas a un vector de alta dimensión de valores de expectativa contra un modelo clásico que se ejecuta sobre las $K$ dimensiones originales. Esta confusión imposibilita distinguir si las mejoras de rendimiento provienen del espacio de estados cuánticos o simplemente del aumento de la anchura representacional y la no linealidad acotada del espacio de características expandido. Además, muchas aplicaciones de QML biológico se centran en la minimización de la energía (por ejemplo, el plegamiento de proteínas) en lugar de la anotación funcional supervisada e jerárquica.

Metodología: Marco QEPP
El autor propone QEPP (Predicción de Proteínas Mejorada por Cuántica), un marco híbrido cuántico-clásico diseñado para aislar la contribución cuántica mediante un control de coincidencia de dimensiones.

1. Arquitectura:

   • Entrada: Las secuencias de proteínas se codifican utilizando un modelo ESM-2 congelado. Un mecanismo de puntuación supervisada selecciona las $K=64$ dimensiones superiores de la incrustación (embedding) de 480 dimensiones.
   • Mapa de Características Cuánticas: Las 64 dimensiones seleccionadas se particionan en 8 bloques de 8 cúbits cada uno. Cada bloque se codifica mediante codificación de ángulo (rotaciones $R_y$ y $R_z$). El circuito emplea una capa variacional poco profunda ($L_q=2$) donde una topología de entrelazamiento derivada de la correlación (basada en correlaciones de Pearson empíricas de las dimensiones de entrada) precede a la capa de rotación. Este ordenamiento es crítico; el autor demuestra que colocar el entrelazador después de la rotación final lo vuelve ineficaz para observables diagonales en $Z$.
   • Lectura (Read-out): El circuito genera un vector de valores de expectativa para observables de Pauli de un solo cúbit ($Z, X$) y de dos cúbits ($ZZ$), resultando en un vector de características de 221 dimensiones.
   • Cabezal Clásico: Un cabezal multietiqueta compartido (una capa oculta con activación GELU) procesa las características cuánticas concatenadas para predecir las probabilidades de 180 términos de GO.
   • Restricciones: La función de pérdida incluye una penalización jerárquica para imponer la "regla de ruta verdadera" (si se predice un término hijo, el padre también debe ser predicho), y la inferencia incluye un paso de reparación para asegurar la clausura transitiva.

2. Control de Coincidencia de Dimensiones:
   Para atribuir correctamente las ganancias, el estudio introduce un mapa de coseno aleatorio congelado como línea base. Este modelo clásico mapea las mismas 64 entradas a un vector de 221 dimensiones utilizando pesos aleatorios no entrenados y una no linealidad de coseno. Este control aisla el "efecto de anchura" (expansión de la representación) del "efecto cuántico".

3. Configuración Experimental:

   • Conjunto de Datos: Un subconjunto de 180 términos del benchmark CAFA6 (40,000 proteínas) utilizando una división disjunta de clústeres para evitar la filtración por homología.
   • Líneas Base:
     • Brazo A: Mapa de identidad (64 dimensiones).
     • Brazo B: Mapa de coseno aleatorio congelado (221 dimensiones) – El control principal de anchura.
     • Brazo C: QEPP con un entrelazador de escalera lineal (184 dimensiones).
     • Braño D: QEPP con la topología completa derivada de la correlación (221 dimensiones).
   • Métricas: $F_{max}$, Área Bajo la Curva de Precisión-Recall (AUPR) y Distancia Semántica ($S_{min}$).

Resultados Clave
El estudio reporta resultados sobre cinco semillas independientes (con el Brazo D limitado a dos semillas debido al término de la sesión).

• Dominancia de la Anchura: La expansión de 64 a 221 dimensiones mediante el mapa de coseno aleatorio congelado (Brazo B) por sí sola explica el 85% de la ganancia total de rendimiento ($+0.0299$ en $F_{max}$) sobre la línea base. Este efecto se logra en 48 segundos.
• Contribución Cuántica: El mapa de características cuánticas (Brazo C vs. Brazo B) proporciona una ganancia residual estadísticamente significativa pero menor.
  • AUPR: Mejora relativa del +2.24% ($p=0.0082$).
  • $S_{min}$: Mejora relativa del +1.02% ($p=0.0028$).
  • $F_{max}$: Mejora del +0.79%, aunque no es estadísticamente significativa ($p=0.108$).
• Resultados Nulos:
  • Topología: La topología de entrelazamiento derivada de la correlación (Brazo D) fue indistinguible de la escalera lineal (Brazo C). La estructura específica del entrelazamiento no aportó ganancias adicionales.
  • Ajuste Variacional: El ajuste conjunto de los parámetros del circuito (Etapa 2) resultó inerte, sin producir mejoras medibles sobre la configuración del circuito congelado.
• Costo Computacional: El enfoque cuántico es significativamente más costoso. La configuración de escalera (Brazo C) es 49 veces más lenta que el control de coincidencia de anchura (Brazo B) en tiempo de ejecución real en un simulador.

Significancia y Reivindicaciones
El artículo presenta reivindicaciones modestas y específicas sobre su contribución:

1. Primera Aplicación: Esta es la primera aplicación de un mapa de características cuánticas a la predicción de términos de la Ontología Génica jerárquica y multietiqueta.
2. Estándar Metodológico: Establece el control de coincidencia de dimensiones (proyección aleatoria congelada) como un estándar necesario para el QML aplicado. El autor argumenta que, sin este control, las ganancias cuánticas reportadas están confundidas con los beneficios de simplemente ensanchar la representación de características.
3. Ganancia Atribuida: El estudio logra aislar una ganancia cuántica pequeña, reproducible y estadísticamente significativa ($+0.0087$ AUPR) que persiste tras controlar la anchura de la representación. El autor atribuye esta ganancia a la consistencia estructurada de la lectura cuántica (marginales y correlaciones mutuamente consistentes de un único estado compartido) en lugar a la topología de entrelazamiento específica o al entrenamiento variacional.
4. Hallazgos Nulos: El artículo reporta explícitamente que la topología de entrelazamiento específica derivada de las correlaciones de los datos no ofrece ventaja sobre una escalera lineal, y que el ajuste variacional es ineficaz a la escala actual (32 ángulos compartidos), probablemente debido a mesetas estériles (barren plateaus) o capacidad de parámetros insuficiente.

Limitaciones
El autor reconoce varias restricciones:

• Los resultados se basan en un simulador con gradientes analíticos, no en hardware con ruido.
• La entrada se restringió a 64 dimensiones para ajustarse al presupuesto de cúbits; se desconoce el rendimiento con las incrustaciones completas de 480 dimensiones.
• El estudio se centra en términos frecuentes; el rendimiento en términos raros no ha sido probado.
• El costo computacional (49 veces más lento) actualmente impide el despliegue en producción.

En conclusión, el artículo demuestra que, si bien la anchura representacional es el principal motor del rendimiento en esta tarea, un mapa de características cuánticas poco profundo puede proporcionar una ganancia incremental pequeña pero estadísticamente significativa sobre una proyección aleatoria clásica con coincidencia de anchura, siempre que el diseño experimental controle rigurosamente la dimensionalidad.