量子计算应用 I 量旋联合爱生，利用HQNN提升肽–HLA结合预测的样本效率

在个性化癌症免疫治疗中，发现并鉴定患者肿瘤特有的新抗原，是决定个性化疫苗和细胞治疗等手段能否精准起效的关键。

肽–HLA结合预测是个性化癌症免疫治疗中新抗原鉴定的关键步骤。然而，大量HLA等位基因的可用训练数据极为有限，严重制约了常规方法在该任务上的表现——数据稀缺已成为低数据免疫信息学的关键瓶颈。

因此，提升肽–HLA结合预测的样本效率，用更少的数据学到更有信息量的肽–HLA结合规律，成为了该领域亟待突破的核心命题。

参数化量子线路被认为能够产生有利于小样本学习的“归纳偏置”，这正是数据稀缺场景所需要的特性。

基于这一思路，量旋科技联合深圳爱生长寿、深圳爱春益寿量子和华南理工大学等团队提出了一种专为肽–HLA结合预测设计的混合量子–经典神经网络（HQNN），将多源生物特征编码、并行量子特征提取器和量子增强分类器集成于一体，为上述难题提供一条来自量子计算的新路径。

面对肽–HLA结合预测中“数据越少、越难预测”的行业痛点，HQNN并非简单地在经典网络上加几层量子电路，而是从特征编码、量子特征提取到分类决策进行了一次系统性重构：

1.引入多源特征整合框架，联合编码序列衍生特征和生物学相关特征，包括理化性质、二级结构、内在无序和进化信息。与固定编码方案相比，该设计实现了更灵活、更具任务自适应能力的表示。

2.开发双通路量子特征提取模块，在希尔伯特空间内并行处理肽和HLA表示。该模块促进了肽残基与HLA结合背景之间的非线性特征变换与交互建模。

3.构建混合量子-经典预测架构，并实证证明了其相对于参数规模相当的经典对应物的性能提升，在数据有限条件下增益更为显著。

图注：混合量子–经典神经网络（HQNN）框架概览

▍训练数据越少，量子优势越明显

团队通过受控对比验证HQNN的样本效率，将HQNN中的量子组件系统性替换为经典操作——量子特征提取模块换成深度可分离卷积层，量子增强分类器换成全连接层，构建了一个参数量相当的经典卷积神经网络（CNN）基线，其余输入特征、预处理流程和训练协议完全一致。

在HLA-A*02:01上，将训练集按10%、25%、40%、55%、70%、85%、100%随机子采样，测试集固定。结果显示：HQNN在所有训练规模下AUC均优于CNN，且随着训练数据减少，性能差距进一步拉大。

在HLA-B*07:02跨等位基因验证中，训练规模为10%、20%、40%时，HQNN同样始终优于CNN基线，说明这一优势不局限于单一HLA等位基因。

图注：HQNN与CNN在HLA-A02:01上的样本效率比较

图注：HQNN与CNN在HLA-B07:02上的样本效率比较 

结论：在两个HLA等位基因的所有训练规模上，HQNN均优于参数相当的经典CNN，且训练数据越少，优势越明显——说明混合量子–经典架构在低数据场景下具有更高的样本效率。

▍极小的参数规模，极具竞争力的表现

团队将HQNN与三种代表性方法进行比较：直接对应的经典CNN、容量显著更大的CAMP（含CAMP-Scr和CAMP-FT）、以及广泛使用的NetMHCpan4.1。

对比经典CNN：HQNN达到AUC 0.851±0.002、AUPR 0.634±0.014，优于CNN基线。两者共享相同输入特征、预处理流程和训练协议，说明在可比模型容量下，引入量子特征变换提供了更有效的表达机制。

阈值相关指标：HQNN准确率86.4%±0.8、精确率68.6%±1.4、召回率49.5%±2.6，持续超过CNN基线。精确率提升意味着假阳性预测减少，这在实验验证成本高昂的新抗原筛选中尤为可取。

对比大型模型：CAMP-Scr AUC 0.863、AUPR 0.641；CAMP-FT AUC 0.849、AUPR 0.631；NetMHCpan4.1 AUC 0.860、AUPR 0.656。HQNN的AUC略低于CAMP-Scr和NetMHCpan4.1，但参数量仅6.5K，约为CAMP的1/508，且精确率最高（68.6% vs 65.7% vs 51.5%），呈现出“更轻、更准”的特点。

图注：不同方法的HLA-A*02:01结合预测性能比较

图注：不同方法的混淆矩阵比较

结论：HQNN仅用约6.5K参数，就达到与参数量大508倍的CAMP等模型相当的AUC，并取得最高精确率，用更“轻”的模型做更“准”的筛选。这一结果说明，混合量子–经典架构在保持轻量化的同时，能有效提升肽–HLA结合预测的筛选精度，尤其适合实验验证成本高昂的新抗原筛选场景。

▍HQNN对量子噪声具有良好鲁棒性

研究融入真实量子硬件噪声参数（T₁=100μs、T₂=70μs、双量子比特门错误率0.8%）后，HQNN的AUC 仅从0.837微降至0.835，AUPR从0.576降至0.573，整体排序能力基本保留。这意味着HQNN对量子噪声具有良好鲁棒性，前面展示的样本效率提升不是“温室里的优势”，而是能在现实噪声水平下站住的结论。

更重要的是，噪声下精确率从63.4%升至73.2%，召回率从43.2%降至25.7%，模型变得更谨慎、假阳性更少。对新抗原筛选来说，假阳性直接意味着昂贵的实验验证被浪费，这种“宁可漏判、不可误判”的倾向反而具有实际价值。研究将其解释为噪声的“隐式正则化”——退相干和门错误降低了线路的有效表达能力，过滤掉不确定预测。

图注：理想与含噪声量子仿真下HLA-A*02:01结合预测的性能比较

新抗原发现的效率与成本，决定了多少患者能更快地用上个性化疫苗与细胞疗法。当量子计算的表达力遇上生命科学的严谨，我们看到的不是一句口号，而是一组可复现、可开源、可继续推进的实验结果。

从肽–HLA结合预测到更广阔的新抗原发现，从分子模拟、药物设计到蛋白质工程、基因组分析，再到精准诊疗与临床决策，量旋科技以量子计算软硬件、量子计算云平台和多元算法能力为支撑，助力生物医药行业缩短研发周期、降低试错成本、提升预测精度，迈向更精准、更高效的未来。

论文链接：https://arxiv.org/abs/2609.19642

可用性与实施：https://github.com/SpinQTech/PepHLA_Interaction.