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

技术摘要：一种用于分层基因本体（Gene Ontology）术语预测的维度匹配量子特征映射

问题陈述
本文解决了蛋白质序列基因本体（GO）术语预测的挑战，这一任务具有层次化、多标签分类以及数据稀疏且不平衡的特点。虽然量子机器学习（QML）已被应用于生物学问题，但现有的关于量子特征映射的研究存在一个关键的方法论缺陷：它们将一个将 $K$ 个输入映射到高维期望值向量的量子电路，与运行在原始 $K$ 维上的经典模型进行比较。这种混淆使得人们无法区分性能提升究竟是源于量子态空间，还是仅仅源于扩展后的特征空间所带来的表征宽度和有界非线性。此外，许多生物学 QML 应用侧重于能量最小化（如蛋白质折叠），而非监督式的、层次化的多标签功能注释。

方法论：QEPP 框架
作者提出了 QEPP（量子增强蛋白质预测），这是一个旨在通过维度匹配控制来隔离量子贡献的混合量子-经典框架。

1. 架构：

   • 输入： 使用冻结的 ESM-2 模型对蛋白质序列进行嵌入。通过监督评分机制从 480 维嵌入中选择前 $K=64$ 个维度。
   • 量子特征映射： 所选的 64 个维度被划分为 8 个块，每块包含 8 个量子比特。每个块通过角度编码（$R_y$ 和 $R_z$ 旋转）进行编码。该电路采用浅层变分层（$L_q=2$），其中基于经验皮尔逊相关性（Pearson correlations）推导出的相关性拓扑结构位于旋转层之前。这种顺序至关重要；作者证明，若将纠缠器置于最终旋转之后，对于 $Z$ 对角观测值而言，其将是无效的。
   • 读取（Read-out）： 电路输出单量子比特（$Z, X$）和双量子比特（$ZZ$）泡利（Pauli）观测值的期望值向量，生成一个 221 维的特征向量。
   • 经典头部： 一个共享的多标签头部（带有一个 GELU 激活函数的隐藏层）处理拼接后的量子特征，以预测 180 个 GO 术语的概率。
   • 约束： 损失函数包含一个层次惩罚项，以强制执行“真路径规则”（即如果预测了子项，则必须预测父项），并且在推理阶段包含一个修复步骤以确保传递闭包。

2. 维度匹配控制：
   为了正确归因增益，研究引入了一个冻结随机余弦映射作为基准。该经典模型使用未经训练的随机权重和余弦非线性，将相同的 64 个输入映射到 221 维向量。该控制变量隔离了“宽度效应”（表征的扩展）与“量子效应”。

3. 实验设置：

   • 数据集： 使用 CAFA6 基准测试中的一个 180 项子集（40,000 个蛋白质），采用簇间不相交（cluster-disjoint）划分以防止同源性泄漏。
   • 基准测试：
     • 方案 A：恒等映射（64 维）。
     • 方案 B：冻结随机余弦映射（221 维）——主要的控制变量，针对宽度。
     • 方案 C：具有线性梯形纠缠器（184 维）的 QEPP。
     • 方案 D：具有完整相关性推导拓扑结构的 QEPP（221 维）。
   • 指标： $F_{max}$、精确率-召回率曲线下面积（AUPR）以及语义距离（$S_{min}$）。

关键结果
研究报告了五个独立种子下的结果（由于会话终止，方案 D 仅限于两个种子）。

• 宽度主导性： 通过冻结随机余弦映射（方案 B）实现的从 64 到 221 维的扩展，本身就解释了相对于基准线（方案 A）85% 的总性能增益（$+0.0299$ 在 $F_{max}$ 上）。这一效应在 48 秒内即可实现。
• 量子贡献： 量子特征映射（方案 C 对比方案 B）提供了统计显著但较小的残余增益。
  • AUPR： 相对提升 +2.24%（$p=0.0082$）。
  • $S_{min}$： 相对提升 +1.02%（$p=0.0028$）。
  • $F_{max}$： 提升 +0.79%，尽管在统计上并不显著（$p=0.108$）。
• 无效结果：
  • 拓扑结构： 由数据相关性推导出的纠缠拓扑结构（方案 D）与简单的线性梯形结构（方案 C）相比，表现无异。特定的纠缠结构并未产生额外收益。
  • 变分调优： 联合变分调优电路参数（第二阶段）被发现是无效的，与冻结电路配置相比没有产生可测量的改进。
• 计算成本： 量子方法在计算成本上显著更高。在模拟器上的墙钟时间（wall-clock time）下，梯形配置（方案 C）比宽度匹配的控制变量（方案 B）慢 49 倍。

意义与主张
本文提出了适度且具体的贡献主张：

1. 首次应用： 这是首次将量子特征映射应用于分层、多标签的基因本体术语预测。
2. 方法论标准： 它确立了维度匹配控制（冻结随机投影）作为应用型 QML 的必要标准。作者认为，如果没有这种控制，报告的量子增益会与单纯增加特征表征宽度的收益相混淆。
3. 归因增益： 研究成功隔离了一个微小、可复现且具有统计显著性的量子优势（$+0.0087$ AUPR），该优势在控制了表征宽度后依然存在。作者将此增益归功于量子读取的结构一致性（单个共享状态的相互一致的边缘分布与相关性），而非特定的纠缠拓扑或变分训练。
4. 无效发现： 本文明确报告了源自数据相关性的特定纠缠拓扑结构相对于线性梯形结构并无优势，且变分调优在当前规模下（32 个共享角度）是无效的，这可能是由于贫瘠高原（barren plateaus）或参数容量不足所致。

局限性
作者承认了以下约束：

• 结果基于具有解析梯度的模拟器，而非带有噪声的硬件。
• 输入被限制在 64 个维度以符合量子比特预算；在完整的 480 维嵌入上的表现尚未知。
• 研究侧重于高频术语；对于稀有术语的性能尚未测试。
• 目前的计算成本（49 倍慢）限制了生产环境的部署。

总之，本文表明，虽然表征宽度是该任务性能提升的主要驱动力，但只要实验设计能够严格控制维度，浅层量子特征映射可以提供比维度匹配的经典随机投影更小但具有统计显著性的增益。