Wetenschappers van de Amerikaanse Cleveland Clinic en IBM Research hebben een nieuw raamwerk voor kwantummachinelearning gepresenteerd dat de immuunrespons op zogeheten neoantigenen voorspelt. Het model, genaamd Quantum Convolutional HLA Immunogenic Peptide Prediction (Q-CHIPP), combineert voorspellingen over antigeenpresentatie en de reactie op immunotherapie. Volgens de onderzoeksresultaten in het vakblad Science Advances presteert het kwantumsysteem beter dan klassieke rekenmethoden, juist wanneer er maar heel weinig trainingsdata beschikbaar zijn. De onderzoekers slaagden er bovendien in om het model op te schalen naar volwaardige eiwitketens met behulp van 46 qubits op echte kwantumhardware.
- Het nieuwe kwantummodel Q-CHIPP voorspelt welke tumormutaties een immuunrespons opwekken.
- De methode presteert beter dan klassieke computers bij het werken met zeer kleine datasets.
- Het systeem behaalde nauwkeurige resultaten met trainingssets vanaf 150 monsters op een 46-qubit kwantumprocessor.
Kleine datasets vormen een obstakel in kankeronderzoek
Neoantigenen zijn afwijkende eiwitten die op het oppervlak van kankercellen ontstaan wanneer het DNA van de cel mutaties oploopt. Ze fungeren als een alarmsignaal dat het afweersysteem laat weten dat een cel schadelijk is. Een essentieel onderdeel van moderne immunotherapie en de ontwikkeling van kankervaccins is het lichaam te leren om deze specifieke eiwitten te herkennen en op te ruimen. Een enkele tumor kan echter duizenden mogelijke neoantigenen bevatten, terwijl slechts een zeer klein deel daarvan daadwerkelijk door het immuunsysteem wordt herkend.
Traditionele machinelearningmodellen hebben grote hoeveelheden data nodig om complexe biologische patronen te herkennen, maar in de praktijk zijn medische datasets van goed gedocumenteerde neoantigenen schaars.
In 2024 publiceerden onderzoekers van de Cleveland Clinic bijvoorbeeld een atlas met 196 kandidaat-neoantigenen. Voor klassieke algoritmes is een dergelijke omvang nog steeds een zeer kleine dataset, wat snel leidt tot ‘overfitting’: het model leert de trainingsdata uit het hoofd, maar kan bij nieuwe patiënten geen betrouwbare voorspellingen meer doen.
Kwantumnetwerken leren van beperkte biologische gegevens
Om de beperkingen van traditionele rekenmethoden te omzeilen, ontwikkelde het multidisciplinaire team een kwantumconvolutie-netwerk. Dit model is in staat om biologisch relevante patronen aan te leren uit trainingssets met slechts 150 monsters. Senior auteur Tyler Alban benadrukt dat deze doorbraak tot stand kwam door een nauwe samenwerking tussen experts op het gebied van kanker, computerwetenschappen en kwantumcomputing.
Het vertalen van de eigenschappen van het immuunsysteem naar kwantumcircuits stelt onderzoekers in staat om complexe moleculaire interacties beter te modelleren.
Door de capaciteit van 46 qubits op kwantumhardware te benutten, slaagde het team erin om volledige peptideketens te analyseren. Sara Capponi van IBM Research geeft aan dat deze aanpak laat zien hoe kwantumtechnologie gericht kan worden ingezet binnen de immunologie en de bredere gezondheidszorg.
Betekenis voor gepersonaliseerde kankervaccins
De resultaten tonen aan dat kwantumtechnologie een nuttige rol kan spelen in het versnellen van medisch onderzoek. Voor de ontwikkeling van gepersonaliseerde immunotherapie houdt dit in dat behandelingen sneller en doeltreffender afgestemd kunnen worden op de unieke kenmerken van een tumor. Omdat het kwantummodel minder patiëntdata nodig heeft om tot betrouwbare uitkomsten te komen, zou de zoektocht naar geschikte doelwitten voor vaccins efficiënter kunnen verlopen. Het team is van plan het model verder uit te breiden om de identificatie van therapeutische doelwitten nog nauwkeuriger te maken.
Zie jij kansen voor de toepassing van kwantumcomputing in de gezondheidszorg? Deel je gedachten hieronder.
