量子扩张卷积循环网络(QDCRNet)在基因表达数据病毒检测中的创新应用

本文推荐：研究者提出量子扩张卷积循环网络(QDCRNet)，整合量子扩张卷积神经网络(QDCNN)和深度循环神经网络(DRNN)，通过Box-Cox变换和高尔距离(Gower distance)特征选择，实现病毒检测准确率90.8%。该模型突破传统方法在低表达病毒识别和变异株适应性上的局限，为基因表达数据驱动的精准诊断提供新范式。

　　

亮点

病毒感染的快速传播特性对检测技术提出严峻挑战。本研究创新性地提出量子扩张卷积循环网络(QDCRNet)，通过融合量子计算优势与深度学习架构，显著提升基因表达数据中病毒特征的识别能力。

文献综述

Aher等人开发的骑手鸡优化循环神经网络(RCO-RNN)虽能快速降维，但缺乏有效的特征筛选机制；Abdel Samee的深度神经网络(DNN)在关键基因识别中表现优异，但对新兴病毒变种的适应性不足。

方法创新

QDCRNet采用三阶段流程：

1. 数据预处理：Box-Cox变换消除基因表达数据偏态

2. 特征工程：结合高尔距离与互信息筛选病毒敏感区域

3. 量子-经典混合建模：QDCNN捕获空间特征，DRNN解析时序模式

性能验证

在包含COVID-19等病原体的数据集上，模型展现卓越性能：

• 准确率90.8%

• 灵敏度90.5%（有效识别低载量样本）

• 特异性90.4%（精准区分相似症状病毒）

结论

该框架突破传统PCR检测的局限性，其量子-经典混合架构为应对病毒快速进化提供了可扩展解决方案。源代码已开源（GitHub），推动AI在病原体检测领域的临床应用。

贡献声明

通讯作者Iyswarya负责研究监督，第一作者Karthi完成算法开发与论文撰写，团队来自印度安娜大学圣约瑟夫工程学院。

利益冲突

作者声明无任何可能影响研究客观性的财务或个人关系。