正確な残基レベルのpKa予測のためのハイブリッド量子-古典エンコーディング

要約: 残基レベルのpKa値の正確な予測は、タンパク質の機能、安定性、反応性を理解するために不可欠です。DeepKaDBやCpHMD由来のデータセットなどの既存リソースは貴重な学習データを提供しますが、それらの記述子は主に古典的であり、多様な生化学的環境にわたる一般化にはしばしば苦戦します。我々は、ガウス核ベースの量子インスパイアド特徴マッピングで残基レ벨表現を豊かにする再現性のあるハイブリッド量子古典フレームワークを導入します。これらの量子強化記述子は、正規化された構造特徴と組み合わせて、Deep Quantum Neural Network (DQNN) によって処理される統一ハイブリッドエンコーディングを形成します。このアーキテクチャは、古典モデルでは得られない残基マイクロ環境における非線形関係を捕捉します。複数の精選記述子セットにわたるベンチマークは、DQNNが古典的ベースラインに比べて文脈間一般化を改善することを示しています。PKAD-R実験ベンチマークとAβ40ケーススタディでの外部評価は、量子インスパイアド表現の頑健性と転送性をさらに強調します。量子インスパイアド特徴変換を古典的な生化学的記述子と統合することにより、本研究は、残基レベルのpKa予測とタンパク質静電学分野へのより広い適用可能性を持つ、スケーラブルで実験的にも転送可能なアプローチを確立します。