Учёные из Университета штата Пенсильвания и консорциума Quantum for Healthcare Life Sciences Consortium опубликовали исследование, в котором рассматривается возможность применения квантовых компьютеров для анализа данных, получаемых при изучении отдельных клеток. Авторы считают, что квантовые вычисления могут помочь преодолеть вычислительные ограничения, возникающие при анализе сложных «омиксных» данных (это измерения генов, белков и других молекулярных характеристик внутри отдельных клеток и тканей).

Исследователи отмечают, что сочетание квантовых и классических вычислений с искусственным интеллектом может помочь в решении задач, которые трудно поддаются классическим методам, таких как пространственный анализ, временное моделирование поведения клеток и прогнозирование клеточных реакций на лекарства. Особенно это актуально в условиях ограниченного объёма данных и высокой размерности.

Современные методы изучения отдельных клеток позволяют наблюдать за поведением, взаимодействием и изменениями отдельных клеток во времени. Получаемые наборы данных огромны, зашумлены и имеют высокую размерность, часто охватывая миллионы клеток и десятки тысяч измеряемых признаков. Даже самые мощные классические компьютеры испытывают трудности при обработке таких данных, особенно при моделировании эволюции клеток во времени или их реакции на лекарства.

Источник: Bioscience Image Library by Fayette Reynolds / Unsplash

Квантовые компьютеры потенциально могут превзойти классические компьютеры в определённых вычислениях, особенно в тех, которые связаны со сложными распределениями вероятностей, оптимизацией или взаимодействиями высокого порядка. Авторы работы полагают, что гибридные подходы, сочетающие квантовые и классические алгоритмы, могут принести практическую пользу ещё до появления полностью отказоустойчивых квантовых компьютеров.

Одной из областей, где квантовые методы могут оказаться полезными, является пространственная транскриптомика — измерение активности генов с сохранением физического расположения клеток в ткани. Квантовые аналоги нейронных сетей, графовых методов и оптимального транспорта могут улучшить сегментацию, классификацию клеток и их связывание с эталонными наборами данных, особенно при недостатке данных или наличии шумов.

Временное моделирование, то есть анализ изменений системы во времени, может быть улучшено с помощью квантовых версий таких методов, как случайные блуждания, обыкновенные дифференциальные уравнения и вероятностные графические модели. Эти методы направлены на реконструкцию дифференцировки клеток, их реакции на стресс или прогрессирования к болезненным состояниям, используя снимки, собранные в разное время.

Авторы исследования подчёркивают, что разработка эффективных клеточных терапий, включая иммунотерапии, требует понимания того, как спроектированные клетки взаимодействуют со сложной тканевой средой и как эти взаимодействия меняются со временем. Гибридные квантово-классические модели могли бы помочь исследователям более эффективно изучать эти области и выявлять перспективные терапевтические стратегии.

Подробнее на iXBT