Cette page a été traduite automatiquement.
Merci de bien vouloir compléter un sondage de 1 minute concernant la qualité de cette traduction.
Texas A&M effectue une analyse de données de séquençage d'ARN unicellulaire avec MATLAB
Ce projet fait progresser les applications de l'informatique quantique dans les sciences de la vie
« MATLAB propose un environnement fluide et fiable pour le développement d'algorithmes de calcul quantique. Son package de calcul quantique offre des avantages significatifs en termes d'utilisabilité, de stabilité et de portabilité, et a considérablement enrichi notre recherche. "
Principaux résultats
- MATLAB Support Package for Quantum Computing permet de tester facilement les algorithmes localement, pour un développement rapide ainsi que pour la validation des méthodes
- MATLAB offre des avantages par rapport aux autres logiciels de développement de calcul quantique, tels que Qiskit®, en termes de convivialité, de stabilité et de portabilité
- MATLAB Support Package for Quantum Computing est clair, bien structuré et facile à comprendre pour une implémentation rapide des algorithmes quantiques
Dans le panneau C, les lignes vertes mettent en évidence les 18 gènes identifiés par les méthodes basées sur LASSO et QUBO, tandis que les lignes non colorées représentent les gènes identifiés exclusivement par la méthode basée sur QUBO.
A la Faculté de médecine vétérinaire et de sciences biomédicales de Texas A&M University, le professeur James Cai dirige un projet interdisciplinaire qui utilise l’informatique quantique pour analyser les données d’expression génétique de cellules individuelles. Son équipe utilise l’informatique quantique basée sur des portes pour construire des réseaux qui montrent comment les gènes se régulent mutuellement. Ils utilisent également une méthode appelée recuit quantique simulé (QA) avec optimisation binaire quadratique sans contrainte (QUBO) pour sélectionner, à partir des données scRNA-seq, les gènes importants impliqués dans l'évolution et le développement cellulaires.
L’implémentation de la recherche tabou dans MATLAB® est utilisée pour le recuit simulé afin de résoudre les problèmes QUBO. Par exemple, un algorithme de sélection de caractéristiques basé sur QUBO a identifié 10 interactions géniques apparemment non linéaires parmi les 50 caractéristiques initialement sélectionnées sur un ensemble de 5 000. Parmi ces 50 caractéristiques, seules 18 présentaient un chevauchement avec celles identifiées à l'aide de la méthode comparative de sélection LASSO. Cela démontre que l'approche QUBO-QA ne se limite pas à capturer les expressions géniques linéaires fondamentales, mais met également en évidence des schémas d'expressions géniques complexes non linéaires.
Statistics and Machine Learning Toolbox™ est largement utilisé tout au long du projet, en particulier dans les workflows de traitement des données. Le professeur Cai a développé scGEAToolbox pour faciliter les analyses des données scRNA-seq dans l'environnement MATLAB. Elle contient un ensemble complet de fonctions pour la normalisation des données, la sélection de caractéristiques, le regroupement de cellules, l'annotation des types de cellules, l'analyse du pseudo-temps, la construction de réseaux de gènes, l'analyse de l'inactivation virtuelle de gènes et l'analyse de la communication intercellulaire. Curve Fitting Toolbox™, Parallel Computing Toolbox™ et Image Processing Toolbox™ sont également utilisées pour la visualisation et pour compléter les analyses.
Ce projet illustre de manière significative le potentiel de l’informatique quantique appliquée aux sciences du vivant. Avec MATLAB, les collaborateurs peuvent reproduire et s’appuyer sur ce travail initial pour faire progresser l’application de l’informatique quantique, en particulier pour la recherche en transcriptomique. À long terme, cela pourrait profondément changer la manière dont l’informatique quantique est utilisée pour développer des diagnostics et des traitements personnalisés basés sur des données génétiques individuelles.
Ressources associées
