فصلنامه تخصصی آرمان پردازش
فصلنامه تخصصی فناوری اطلاعات و ارتباطات

تحلیل عملکرد الگوریتم‌های ژنتیک کوانتومی در حوزه مسائل زیست‌شناسی

نوع مقاله : مقاله پژوهشی

نویسنده

الهام مهدوی

گروه مهندسی کامپیوتر، واحد یزد، دانشگاه آزاد اسلامی، یزد، ایران

10.22034/apj.2025.730012
چکیده
الگوریتم ژنتیک کوانتومی که ترکیبی از اصول مکانیک کوانتومی و الگوریتم‌های تکاملی است، به عنوان یک روش نوین در حوزه بهینه‌سازی مطرح شده است. در سال‌های اخیر، کاربردهای متعددی از این الگوریتم‌ها در حل مسائل پیچیده زیست‌شناسی مانند تحلیل ساختار ژن و سلول­های بنیادین، شبیه‌سازی پروتئین و پیش‌بینی رفتارهای مولکولی گزارش شده است. این مقاله با هدف بررسی جامع عملکرد الگوریتم ژنتیک کوانتومی در مسائل زیست‌شناسی، مبانی نظری، کارکرد، مزایا و چالش‌های آن را مرور می‌کند. پژوهش‌های مختلف نشان داده‌اند که الگوریتم ژنتیک کوانتومی با بهره‌گیری از ویژگی‌های کوانتومی مانند سوپرپوزیشن و درهم‌تنیدگی، توانسته مشکلات همگرایی غیرموثر الگوریتم‌های کلاسیک را بهبود دهد و راه حل‌های بهینه‌تری ارائه کند. همچنین در بخش دوم مقاله، معماری و مکانیزم‌های فنی الگوریتم ژنتیک کوانتومی شرح داده شده و نمونه‌های کاربردی در زیست‌شناسی تحلیل می‌گردد. در انتها، با ارائه توصیه­ها و دیدگاه‌هایی برای توسعه‌های آتی، چشم‌اندازهای این فناوری در تحقیقات زیستی بازتاب داده می‌شود.

کلیدواژه‌ها

الگوریتم ژنتیک کوانتومی
شبیه‌سازی زیستی
مسئله ساختار DNA
مکانیک کوانتومی
بهینه‌سازی زیستی

عنوان مقاله English

Investigating the Quantum Genetic Algorithms in the Field of Biological Problems

نویسنده English

Elham Mahdavi
Department of Electrical Engineering, Yazd Branch, Islamic Azad University, Yazd, Iran
چکیده English

Quantum genetic algorithm, which is a combination of quantum mechanics principles and evolutionary algorithms, has been proposed as a new method in the field of optimization. In recent years, numerous applications of these algorithms have been reported in solving complex biological problems such as gene and stem cell structure analysis, protein simulation, and molecular behavior prediction. This article aims to comprehensively review the performance of quantum genetic algorithm in biological problems, and reviews its theoretical foundations, functions, advantages, and challenges. Various studies have shown that quantum genetic algorithm, by utilizing quantum properties such as superposition and entanglement, has been able to improve the inefficient convergence problems of classical algorithms and provide more optimal solutions. Also, in the second part of the article, the architecture and technical mechanisms of quantum genetic algorithm are described and applied examples in biology are analyzed. Finally, the prospects of this technology in biological research are reflected by providing recommendations and perspectives for future developments.

کلیدواژه‌ها English

Quantum Genetic Algorithm
Biological Simulation
DNA Structure Problem
Quantum Mechanics
Biological Optimization
  1. Creevey FM, Jing M, Hollenberg LCL. Implementation of a quantum sequence alignment algorithm for quantum bioinformatics. arXiv preprint arXiv:2506.22775. 2025.
  2. Nałęcz-Charkiewicz K, Mesjasz-Lech A, Nowak M. Quantum computing in bioinformatics: a systematic review. Brief Bioinform. 2024;25(5):bbae391.
  3. Sarkar PR, Giannakis DA, Prousalis P. Quantum-inspired evolutionary algorithms in bioinformatics: Applications and challenges. Comput Biol Med. 2023;150:106126.
  4. Layeb A, Meshoul S. A quantum genetic algorithm for optimization in biological sequence analysis. Int J Comput Biol Drug Des. 2006;1(4):345-357.
  5. Mongia S, Gupta M, Shukla S. Quantum annealing for protein folding problem: A systematic approach. J Comput Chem. 2023;44(8):1012-1023.
  6. Khan S, Ahmad S, Wong KF. Quantum Fourier transform techniques in molecular matching and screening: A review. IEEE Trans Comput Biol Bioinform. 2023;20(1):80-88.
  7. Kösoglu-Kind Z, Nair RA, Memon S. A biological sequence comparison algorithm using quantum computing principles. Sci Rep. 2023;13:10456.
  8. Hilali-Jaghdam I, Ferraro M, Vosoughi N. Quantum and classical genetic algorithms for multilevel medical image segmentation. Pattern Recognit. 2020;107:107481.
  9. Sun J, Zhang J, Ouyang X. Quantum ant colony optimization algorithm for protein-protein interaction prediction. Evol Comput. 2012;20(2):303-320.
  10. Creevey FM, Jing M, Hollenberg LCL. Implementation of a quantum sequence alignment algorithm for quantum bioinformatics. arXiv preprint arXiv:2506.22775. 2025.
  11. Nałęcz-Charkiewicz K, Mesjasz-Lech A, Nowak M. Quantum computing in bioinformatics: a systematic review. Brief Bioinform. 2024;25(5):bbae391.
  12. Sarkar PR, Giannakis DA, Prousalis P. Quantum-inspired evolutionary algorithms in bioinformatics: Applications and challenges. Comput Biol Med. 2023;150:106126.
  13. Layeb A, Meshoul S. A quantum genetic algorithm for optimization in biological sequence analysis. Int J Comput Biol Drug Des. 2006;1(4):345-357.
  14. Mongia S, Gupta M, Shukla S. Quantum annealing for protein folding problem: A systematic approach. J Comput Chem. 2023;44(8):1012-1023.
  15. Khan S, Ahmad S, Wong KF. Quantum Fourier transform techniques in molecular matching and screening: A review. IEEE Trans Comput Biol Bioinform. 2023;20(1):80-88.
  16. Kösoglu-Kind Z, Nair RA, Memon S. A biological sequence comparison algorithm using quantum computing principles. Sci Rep. 2023;13:10456.
  17. Hilali-Jaghdam I, Ferraro M, Vosoughi N. Quantum and classical genetic algorithms for multilevel medical image segmentation. Pattern Recognit. 2020;107:107481.
  18. Santos R, Bennett K, Lee E. Quantum genetic algorithm for protein structure prediction. Sci Rep. 2022;12:1548.
  19. Dutra L, Pereira TC, Moura RDS. Quantum-inspired genetic algorithm for gene regulatory network inference from time-series data. Int J Genomics. 2023;2023:5698723.
  20. Layeb A. A quantum genetic algorithm for extraction of optimal features for cancer classification. J Theor Biol. 2023;561:111342.
  21. Gálvez MA, Calce FJ, Jiménez LO. Quantum genetic algorithm for DNA sequence analysis and feature selection. IEEE Access. 2020;8:204027-204040.
  22. Antonopoulos AM. Mastering Bitcoin: Unlocking Digital Cryptocurrencies. 2nd ed. O’Reilly Media; 2017.



صفحه اصلی

ارسال مقاله

داوران

تماس با ما