mRNA/调控元件序列设计优化
业务痛点 PAIN POINTS
基于序列的生物大分子设计广泛存在于生物学场景中，但受限于序列排列组合数量庞大，会产生严重的组合爆炸问题。基于深度学习的生成模型依赖历史训练数据集泛化能力有限、由于参数量大需要大量训练数据且可解释性差。
📉
传统方法组合爆炸⚠️
泛化能力有限
场景亮点 HIGHLIGHTS
解决方案 SOLUTION
01
BM建模与采样增强
案例采用BM建模+采样增强+判别器评估的技术路线。实验使用BM采样的先验替代原高斯，并使用高分数序列迭代训练BM，提升BM生成序列的分数，能够探索更广阔的序列空间。
02
构建四层产品架构
潜变量数据层提供优化后的z；BM建模层学习潜变量分布；采样求解层通过专用量子计算机生成新的潜变量；评估筛选层将新z送入原生成器和判别器，得到候选RNA序列及预测性能分数。
落地效果 RESULTS
🔬
迭代训练BM · 目标分数提升
+12%
目标分数提升
迭代训练BM的思路相较原模型对目标分数的提升提高了12%。
📈
小样本高效建模 · 轻量参数优势
3.3万
轻量参数处理128维数据
针对128维的数据，仅需3.3w参数、100条数据，在小样本场景下具有显著优势。
应用价值 VALUE
🎓
面向生成模型
量子玻尔兹曼机依托量子能量演化，可结合多种生成模型，优化潜空间分布。
潜空间优化
多模型融合
💊
面向生物设计场景
能够助力各类生成场景，如mrna设计、蛋白质设计等场景。
mRNA设计
蛋白质设计