Квантовая лупа для рака лёгких экспресс
Два почти одинаковых замка́ вскрывает одна и та же отмычка. Внешне они похожи, но внутри механизм разный. Примерно так же выглядят два главных типа немелкоклеточного рака лёгкого — аденокарцинома и плоскоклеточный рак. Под микроскопом их можно спутать, а лечение требуется разное. Тут-то и приходит на помощь квантовая «лупа».
Исследователи взяли данные о работе генов и химических «переключателях» (метилировании ДНК) у сотен пациентов. Сначала они нашли гены, которые ведут себя по-разному в опухоли и здоровой ткани — как если бы в одной комнате свет горел, а в другой — нет. Потом обучили квантовый классификатор на этих отличиях. Он действует не как обычная программа, а использует законы микромира, где частица может быть в нескольких состояниях одновременно. Это позволяет быстро перебрать множество комбинаций признаков и найти самые важные.
Дальше — самое интересное. Гены, на которые указал квантовый алгоритм, оказались связаны с передачей нервных сигналов, работой ионных каналов (крошечных пор в оболочке клеток) и развитием нейронов. Более того, анализ биохимических путей выявил знакомые онкологам цепочки — нейротрофиновый, MAPK, Ras, PI3K-Akt. В них участвуют белки NGFR, NTRK2, NTF3. Похоже, опухоль использует те же сигнальные тропы, что и нервная система, чтобы расти и выживать. Это открывает новые мишени для лекарств.
Так квантовая «лупа» не просто уточнила диагноз, но и подсветила скрытые механизмы болезни. В перспективе такие методы помогут врачу подбирать терапию не по внешнему виду опухоли, а по её молекулярному портрету — быстро и точно.
Оригинальная аннотация
как её написали авторы, на английском arXiv:2604.18621
Quantum machine learning offers a promising new paradigm for computational biology by leveraging quantum mechanical principles to enhance cancer classification, biomarker discovery, and bioinformatics diagnostics. In this study, we apply QML to identify subtype specific biomarkers for lung adenocarcinoma (LUAD) and lung squamous cell carcinoma (LUSC), the two predominant forms of non-small cell lung cancer. Our methodology involves a two-phase process: in Phase 1, differential expression analysis and methylation analysis between tumor and normal samples allows us to identify LUAD-specific and LUSC-specific genes, revealing potential prognostic biomarkers for cancer subtypes. Phase 2 focuses on developing a quantum classifier capable of distinguishing between LUAD and LUSC tumors, as well as between tumor and normal samples. This classifier not only enhances diagnostic precision but also demonstrates the quantum advantage in processing large-scale multiomic datasets. Our results consistently demonstrated that Sample3, representing the combined gene set, achieved the highest overall predictive performance in all metrics. These results demonstrate that QML provides an effective and scalable approach for biomarker discovery and subtype specific cancer classification. GO enrichment analysis highlighted the significant involvement of genes in synaptic signaling, ion channel regulation, and neuronal development. In the quantum phase, KEGG analysis further identified enrichment in cancer-associated pathways, including neurotrophin, MAPK, Ras, and PI3KAkt signaling, with key genes such as NGFR, NTRK2, and NTF3 suggesting a central role in neurotrophinmediated oncogenic processes. Our findings highlight the growing potential of quantum computing to advance precision oncology and next-generation biomedical analytics.
Ионные каналы, которые засветились в анализе, — это те же белковые поры, что создают электрические импульсы в наших нервах. Рак, оказывается, «ворует» их для своих нужд, чтобы посылать сигналы к росту.
В сериале «Пространство» («The Expanse») квантовые компьютеры помогают расшифровывать инопланетные биотехнологии — здесь же они разбираются с земной, но не менее хитрой болезнью.