arXiv:2604.02203v2 Тип объявления: замена-кросс Аннотация: Вывод информации о межклеточной коммуникации (МКК) на основе транскриптомики отдельных клеток по-прежнему принципиально ограничен зависимостью от тщательно отобранных баз данных лиганд-рецепторов, которые в основном отражают совместную экспрессию, а не системные эффекты сигнализации на клеточные состояния. Здесь мы представляем QuantumXCT, гибридную квантово-классическую генеративную структуру, которая переосмысливает МКК как задачу обучения преобразованиям состояний, вызванным взаимодействием, между распределениями клеточных состояний. Кодируя транскриптомные профили в многомерное гильбертово пространство, QuantumXCT обучает параметризованные квантовые схемы для изучения унитарного преобразования, которое отображает базовое невзаимодействующее клеточное состояние во взаимодействующее состояние. Такой подход позволяет обнаруживать изменения в распределении клеточных состояний, обусловленные коммуникацией, без необходимости предварительных биологических предположений. Мы проверили модель QuantumXCT, используя как синтетические данные с известными истинными взаимодействиями, так и данные одноклеточной РНК-секвенирования из модели кокультуры клеток рака яичников и фибробластов. Модель QuantumXCT точно воспроизвела сложные регуляторные зависимости, включая структуры обратной связи, и идентифицировала доминирующие коммуникационные узлы, такие как ось PDGFB-PDGFRB-STAT3. Важно отметить, что изученная квантовая схема является интерпретируемой: ее запутывающая топология была преобразована в биологически значимые сети взаимодействий, а апостериорный анализ вклада количественно оценил относительное влияние отдельных взаимодействий на наблюдаемые переходы состояний. Примечательно, что, переведя вывод CCC от статического поиска взаимодействий к обучению преобразованиям состояний на основе данных, QuantumXCT предоставляет генеративную основу для моделирования межклеточной коммуникации. Эта работа устанавливает новую парадигму для обнаружения программ коммуникации de novo в сложных биологических системах и подчеркивает потенциал квантового машинного обучения в контексте одноклеточной биологии.
Источник: arxiv.org
