機器學習創建出龐大的氣味分子地圖

對於人類的鼻子來說，硫化氫聞起來像臭雞蛋，乙酸香葉酯聞起來像玫瑰。但是，在沒有人嗅聞的情況下，猜測一種新的化學物質會聞起來如何，長期以來一直困擾著食品科學家、調香師和神經科學家。

現在，在一項發表在Science雜誌上的研究中，研究人員描述了一種可以完成這項工作的機器學習模型。該模型名為“主要氣味圖譜”，預測了50萬種從未合成過的分子的氣味——這項任務如果由人類完成需要70年。“我們分析分子的頻寬要快幾個數量級，”密歇根州立大學食品科學家艾米麗·梅休說，她是這項研究的共同負責人。

關於支援科學新聞

如果您喜歡這篇文章，請考慮透過以下方式支援我們屢獲殊榮的新聞報道 訂閱。透過購買訂閱，您正在幫助確保有關塑造我們當今世界的發現和思想的具有影響力的故事的未來。

光的顏色由其波長定義，但分子的物理性質與其氣味之間沒有如此簡單的關係。微小的結構調整會大大改變分子的氣味；相反，化學物質即使具有不同的分子結構，聞起來也可能相似。早期的機器學習模型發現了已知氣味物質（稱為化學資訊學）的化學性質與其氣味之間的關聯，但預測效能有限。

在新的研究中，研究人員使用 5,000 種已知氣味物質訓練了一個神經網路，以根據化學特徵對分子氣味的影響程度來強調 256 種化學特徵。“他們構建了自己的化學特徵，而不是使用標準的化學資訊學，”IBM 研究院的計算生物學家巴勃羅·邁耶·羅哈斯說，他沒有參與這項研究。“他們直接推斷出與氣味相關的屬性，”他說——儘管該模型如何得出這些預測對於人類來說太複雜而無法理解。

該模型建立了一個巨大的氣味地圖，每個分子的座標由其化學性質決定。該模型還使用 55 個描述性標籤（如“草香”或“木香”）預測每種分子對人類的氣味。值得注意的是，氣味相似的氣味物質在該地圖上成簇出現——這是之前的氣味地圖無法實現的特徵。

然後，該團隊將該模型的氣味預測與 15 名接受過描述新氣味物質訓練的人類判斷進行了比較。該模型的預測與任何人類評委對小組對新氣味的平均描述的接近程度相同。它還可以預測氣味的強度以及兩種分子聞起來的相似程度——這兩件事都不是它明確設計要做的。“這真是一個很酷的驚喜，”梅休說。

該模型的主要侷限性在於它只能預測單個分子的氣味；在香水和臭垃圾袋的現實世界中，氣味幾乎總是嗅覺混合物。“混合物感知是下一個前沿，”梅休說。可能的組合數量龐大，使得預測混合物變得更加困難，但“第一步是瞭解每種分子的氣味，”邁耶·羅哈斯說。