Análise de Redes Neurais para CRISPR: Uma Abordagem com Computação Quântica

• Marcus Navarro Gabrich PUC Minas
• Henrique Cota de Freitas PUC Minas
• Matheus Alcântara Souza PUC Minas

DOI: https://doi.org/10.5753/sscad.2024.244778

Resumo

O sistema CRISPR transformou a biotecnologia ao possibilitar a manipulação precisa do DNA e avançar a compreensão de distúrbios genéticos. No entanto, as complexas interações entre o DNA e o CRISPR continuam a representar desafios significativos, exigindo processamento de alta performance. Este estudo propõe uma abordagem que integra tecnologia quântica, algoritmos de aprendizado de máquina e CRISPR para lidar com esses desafios. A análise foca na relação entre a dependência do gene CRISPR e o número de cópias de genes repetidos para prever a dependência genética e avaliar o impacto dos experimentos CRISPR. Embora alguns modelos tenham alcançado valores de R² negativos, esses resultados destacam a complexidade do problema e as oportunidades para melhorias futuras. Este estudo também avalia a viabilidade de redes neurais híbridas quânticas para problemas de regressão, mostrando a computação quântica como uma solução para superar os desafios de HPC em biotecnologia e análise de dados em larga escala.

Referências

Aspuru-Guzik, A. (2020). Quantum algorithms for quantum chemistry. Chemical Reviews, 120(22):12685–12717.

Biamonte, J. et al. (2017). Quantum machine learning. Nature, 549(7671):195–202.

Bortesi, L. and Fischer, R. (2014). The CRISPR/Cas9 system for plant genome editing and beyond. Biotechnology advances.

Gyongyosi, L. and Imre, S. (2019). A survey on quantum computing technology. Computer Science Review, 31:51–71.

Kak, S. C. (1995). Quantum neural computing. In Hawkes, P. W., editor, Advances in Imaging and Electron Physics, volume 94, pages 259–313. Elsevier.

Lloyd, S. and Weedbrook, C. (2018). Quantum generative adversarial learning. Phys. Rev. Lett., 121:040502.

Mangini, S., Tacchino, F., Gerace, D., Bajoni, D., and Macchiavello, C. (2021). Quantum computing models for artificial neural networks. Europhysics Letters, 134(1):10002.

Maria Schuld, I. S. and Petruccione, F. (2015). An introduction to quantum machine learning. Contemporary Physics, 56(2):172–185.

Mauranyapin, N. P., Terrasson, A., and Bowen, W. P. (2022). Quantum biotechnology. Advanced Quantum Technologies, 5(9):2100139.

Narayanan, A. and Moore, M. (1996). Quantum-inspired genetic algorithms. In Proceedings of IEEE Int. Conf. on Evolutionary Computation, pages 61–66.

Noshay, J. M. et al. (2023). Quantum biological insights into CRISPR-Cas9 sgRNA efficiency from explainable-AI driven feature engineering. Nucleic Acids Research, 51(19):10147–10161.

Preskill, J. (2018). Quantum computing in the NISQ era and beyond. arXiv:1801.00862 [quant-ph]. Focus.

Preskill, J. (2023). Quantum computing 40 years later. In Feynman Lectures on Computation, pages 193–244. CRC Press.

Schuld, M., Bocharov, A., Svore, K. M., and Wiebe, N. (2020). Circuit-centric quantum classifiers. Phys. Rev. A, 101:032308.

Xu, Y. and Li, Z. (2020). CRISPR-Cas systems: Overview, innovations and applications in human disease research and gene therapy. Comp. Struct. Biotech. J., 18:2401–2415.