神经网络生成的气味地图连接到他们的化学结构

数据驱动映射模型研究者希望工具能为最终存储数字气味铺路,图像和声音都有可能

与视觉和听觉不同,没有普遍接受的方法量化和分类我们经历的气味虽然提出了数项分类系统,但没有一项得到普遍接受

研究者试图纠正这一点, 搭建了特殊类型图神经网络, 称为消息传递神经网络, 生成主味地图(POM) 将化学结构与嗅觉连通

地图上以图表示每个分子,每个原子用数项标准描述,如值、混合数和原子数,并用相邻数描述每一种联结、芳香度和是否环形

测试模型是否扩展至新味物,研究人员编译了一份潜在味物清单,科学或行业目前不知道这些味物的经验性能 — — 其中大部分以前从未合成过 — — 并编程进POM以了解如何嗅闻。测试POM对事先接受过专门训练的人的药效

并解释未来验证Joel大陆Monell化学感知中心一位嗅觉神经科学家 美国费城从药检库采取400个分子, 其中大部分从未闻到过.

研究者发现模型和中位人类小组成员一样可靠描述气味质量并优于数项其他气味预测任务化工模型模型表现最优类标签,如有清晰结构决定因素(含硫薄膜和薄膜)的标签和含有至少五类独特结构类标签最差类标签(马斯克单片类、多环路类、硝化甘油类、类固态链和直链类)。

研究者最终目标就是使气味数字化, 和图像和声音数字化并存储归档一样内地表示,大部分香水产业停止制造新分子,因为.你需要大量安全测试才能取新分子并投入生产令你找到多位不同分子 并想出哪些分子在成本性能安全方面最优

团队目前还研究混合气味和单分子,以便能够预测混合特定组件将产生什么气味

内地加法

KobiSnitz脑成像统计师Weizmann科学学院的Isra作者应用高级神经网络模型解决复杂问题并实现里程碑式结果数据驱动表达气味空间 跨数据集和跨建模任务信息

工作代表重要一步 努力修复气味空间 类似试镜和视觉