用主气味映射(POM)统一人类嗅觉感知多样化任务

​

A Principal Odor Map Unifies Diverse Tasks in Human Olfactory Perception

B K. Lee, E J. Mayhew, B Sanchez-Lengeling…
[Google Research & Michigan State University]

用主气味映射(POM)统一人类嗅觉感知多样化任务

要点:

• 用图神经网络生成了一个主气味映射(POM)，捕获了气味分子之间的感知关系，POM将分子嵌入到一个高维空间，反映感知相似性而不是结构相似性。
• 在对400个新气味剂的前瞻性测试中，基于POM的模型预测气味质量的可靠性与平均训练有素的人类小组一样可靠，该模型优于个别小组成员和基线随机森林模型。
• POM克服了结构-气味关系中的不连续性，如Sell三元组，其中结构相似的分子可能闻起来不同，它准确预测了违反结构直觉的设计三元组中的感知相似性。
• 当与简单变换相结合时，POM可以推广到各种气味预测任务，如阈值检测、描述符适用性和相似性评级，在现有数据集上，POM优于化学信息学模型。
• POM支持虚拟化学库的筛选，以探索广泛的气味剂化学空间，它提供了一个统一的定量结构-气味关系映射，类似于视觉的颜色空间。

动机：当前在嗅觉领域中，将化学结构映射到嗅觉感知仍然是一个关键挑战。本文旨在构建一种能够保留感知关系并能预测新气味质量的主气味映射(POM)来解决这个问题。 方法：用图神经网络(GNN)来生成POM，将化学结构映射到嗅觉感知。每个分子被表示为一个图，其中每个原子由其价态、度数、氢原子数量、杂化、形式电荷和原子序数描述。每个键由其度数、芳香性以及是否在环中来描述。通过优化片段权重，GNN能够生成与气味相关的分子表示。 优势：POM不仅能够准确表示已知的嗅觉层次和距离关系，还能适用于新的气味预测任务。相比传统的化学信息学模型，POM在几个嗅觉预测任务上表现更优，成功地编码了结构-气味关系的广义映射。该方法为气味预测提供了广泛的可能，并为数字化嗅觉铺平了道路。

通过构建主气味映射(POM)，实现了与人类相当的气味描述性能，并且可以推广到多样的气味预测任务中。

https://www.biorxiv.org/content/10.1101/2022.09.01.504602 

​Read More