理想的な量子コンピュータは、特定の条件下では古典コンピュータより高速に計算できるとされているが、現存するのはノイズのために計算エラーが生じる、量子ビット数が中間規模の量子コンピュータ（noisy intermediate state quantum computer: NISQ）である。医学・生物学において、NISQを用いた量子計算を実問題に応用する方法論は十分には確立されていない。研究分担者の川口はNISQで構築した量子カーネルを因果探索アルゴリズムに組み込むqLiNGAMを開発した（Kawaguchi 2021 arxiv）。本年度は、このアルゴリズムを複数の条件下に実装して、古典的な因果探索アルゴリズムに比べ少数のサンプルで妥当な因果関係を提示できる可能性を提示し、査読雑誌へ掲載された（Kawaguchi 2023 PLoS One）。本成果は、量子カーネルと因果探索アルゴリズムとを融合した初めての報告である。
脳領域間の機能的結合性は、機能的磁気共鳴画像法（fMRI）で撮像した脳活動経時変化の相関係数として算出される。相関関係なので脳領域間の活動の因果関係は不明である。fMRIデータは時間方向のサンプル数が少ないため通常の因果探索は難しい。研究代表者の高田はfMRIデータへqLiNGAMを適用すれば因果探索できる可能性に気付いた。研究代表者はマウスの光遺伝学的fMRIに国内で初めて成功している（Takata et al. 2015 PLoS One）。ある脳部位の活動を人為的に活性化した時に応答する脳部位群が判明しているので、因果探索の推定結果を検証できる強みがある。因果探索には、マウス脳のMRI画像を脳地図へ精密に位置合わせすることが大切である。そこで本年度はMRI画像を前処理するプロトコルを新たに構築した。具体的には最高精度を示すAdvanced Normalization Tools (ANTs)を組み込み、マウス用に最適化した。次年度以降にqLiNGAM解析に適したROIを策定した上で（Takata et al. 2021 Sci Rep）、因果探索を行う準備を整えた。
An ideal quantum computer is faster than a classical computer under certain conditions. However, the quantum computers currently available are noisy intermediate-scale quantum (NISQ) computers with a moderate number of qubits, which suffer from computational errors due to noise. In medical and biological sciences, the methodology to apply quantum computation using NISQ to real-world problems has not been fully established. Research collaborator Kawaguchi developed qLiNGAM, which integrates a quantum kernel built on NISQ into a causal discovery algorithm (Kawaguchi 2021 arxiv). This year, the algorithm was implemented under multiple conditions, demonstrating the possibility of presenting plausible causal relationships with fewer samples compared to classical causal discovery algorithms, and was published in a peer-reviewed journal (Kawaguchi 2023 PLoS One). This is the first report combining quantum kernels and causal discovery algorithms.
Functional connectivity between brain regions is calculated as a correlation coefficient of temporal changes in brain activity captured by functional magnetic resonance imaging (fMRI). However, the causal relationship between brain region activities cannot be elucidated based on the correlation. fMRI data are usually difficult to search for causality using the conventional algorithm because of the small number of samples in the temporal direction. Lead researcher Takata realized the potential of applying qLiNGAM to fMRI data for causal discovery. Takata was the first in Japan to successfully apply optogenetic fMRI to mice (Takata et al. 2015 PLoS One). Since a group of brain regions that respond to artificially activating the activity of a certain brain region is known, it has the advantage of being able to validate the presumed results of the causal search. In order to conduct a causal search, it is important to precisely align MRI images of the mouse brain to a brain map. Therefore, this year, I developed a new protocol for preprocessing MRI images, incorporating the highly accurate Advanced Normalization Tools (ANTs) and optimizing them for mice. Thus, we have completed preparations to conduct a causal search in the next fiscal year after developing a suitable ROI for qLiNGAM analysis (Takata et al. 2021 Sci Rep).