机器学习创建出庞大的气味分子地图

对于人类的鼻子来说，硫化氢闻起来像臭鸡蛋，乙酸香叶酯闻起来像玫瑰。但是，在没有人嗅闻的情况下，猜测一种新的化学物质会闻起来如何，长期以来一直困扰着食品科学家、调香师和神经科学家。

现在，在一项发表在Science杂志上的研究中，研究人员描述了一种可以完成这项工作的机器学习模型。该模型名为“主要气味图谱”，预测了50万种从未合成过的分子的气味——这项任务如果由人类完成需要70年。“我们分析分子的带宽要快几个数量级，”密歇根州立大学食品科学家艾米丽·梅休说，她是这项研究的共同负责人。

关于支持科学新闻

如果您喜欢这篇文章，请考虑通过以下方式支持我们屡获殊荣的新闻报道 订阅。通过购买订阅，您正在帮助确保有关塑造我们当今世界的发现和思想的具有影响力的故事的未来。

光的颜色由其波长定义，但分子的物理性质与其气味之间没有如此简单的关系。微小的结构调整会大大改变分子的气味；相反，化学物质即使具有不同的分子结构，闻起来也可能相似。早期的机器学习模型发现了已知气味物质（称为化学信息学）的化学性质与其气味之间的关联，但预测性能有限。

在新的研究中，研究人员使用 5,000 种已知气味物质训练了一个神经网络，以根据化学特征对分子气味的影响程度来强调 256 种化学特征。“他们构建了自己的化学特征，而不是使用标准的化学信息学，”IBM 研究院的计算生物学家巴勃罗·迈耶·罗哈斯说，他没有参与这项研究。“他们直接推断出与气味相关的属性，”他说——尽管该模型如何得出这些预测对于人类来说太复杂而无法理解。

该模型创建了一个巨大的气味地图，每个分子的坐标由其化学性质决定。该模型还使用 55 个描述性标签（如“草香”或“木香”）预测每种分子对人类的气味。值得注意的是，气味相似的气味物质在该地图上成簇出现——这是之前的气味地图无法实现的特征。

然后，该团队将该模型的气味预测与 15 名接受过描述新气味物质训练的人类判断进行了比较。该模型的预测与任何人类评委对小组对新气味的平均描述的接近程度相同。它还可以预测气味的强度以及两种分子闻起来的相似程度——这两件事都不是它明确设计要做的。“这真是一个很酷的惊喜，”梅休说。

该模型的主要局限性在于它只能预测单个分子的气味；在香水和臭垃圾袋的现实世界中，气味几乎总是嗅觉混合物。“混合物感知是下一个前沿，”梅休说。可能的组合数量庞大，使得预测混合物变得更加困难，但“第一步是了解每种分子的气味，”迈耶·罗哈斯说。