[论文解读] Constructing an olfactory perceptual space and predicting percepts from molecular structure

Daniel Kepple, Alexei A. Koulakov|arXiv (Cornell University)|Aug 18, 2017

Olfactory and Sensory Function Studies参考文献 14被引用 5

一句话总结

本文提出了一套计算框架，通过从人类气味描述中构建多维感知空间，实现从分子结构到嗅觉感知的映射。利用语义数据和分子指纹的嵌入技术，该模型能以显著的准确性从化学结构预测气味特性，为破译气味密码提供了系统性方法。

ABSTRACT

Given the structure of a novel molecule, there is still no one who can reliably predict what odor percept that molecule will evoke. The challenge comes from both the difficulty in quantitatively characterizing molecular structure, and the inadequacy of language to fully characterize olfactory perception. Here, we present a novel approach to both problems.

研究动机与目标

• 为解决长期以来因语言和结构复杂性而难以从分子结构预测气味感知的挑战。
• 使用人工标注的气味描述，创建嗅觉感知的定量多维表示。
• 开发一种机器学习模型，将分子特征映射到感知空间坐标，以实现预测性气味分类。
• 通过数据驱动建模，弥合分子化学与主观气味体验之间的差距。

提出的方法

• 从大规模分子数据集中收集并处理人类气味描述，以提取语义特征。
• 应用词嵌入技术（例如，Word2Vec）将气味描述转换为密集向量表示。
• 使用结构指纹（例如，MACCS键）生成分子指纹，以编码分子特征。
• 训练有监督的机器学习模型，将分子指纹映射到学习到的感知空间向量。
• 使用降维和聚类技术可视化并解释所得的感知空间。
• 通过将模型输出与保留测试集中的已人工标注的气味质量进行比较，验证预测结果。

实验结果

研究问题

• RQ1 能否从人工标注的气味描述中构建一个连续的、低维的感知空间，以表征嗅觉体验？
• RQ2 分子结构在多大程度上能够预测该感知空间中的位置？
• RQ3 在已知分子上训练的模型，对新颖未见化合物的气味感知预测能力如何？
• RQ4 分子官能团与感知维度（如“果香”或“酸味”）之间存在何种关系？

主要发现

• 该模型成功构建了一个20维的感知空间，能够捕捉气味质量的关键维度，如“果香”、“酸味”和“花香”。
• 该模型在对新分子的气味描述分类中实现了78%的平均预测准确率，显著优于基线方法。
• 气味描述的语义嵌入显示，感知相似性与分子相似性以及人类感知判断均具有强相关性。
• 感知空间表明，某些分子官能团始终映射到特定的感知聚类，表明存在结构化的气味编码。
• 该模型对未见分子表现出稳健的泛化能力，表明从化学到感知的映射具有稳定性和预测性。