查看“WikiEdge:BioRxiv-2022.09.01.504602”的源代码

* '''标题'''：A Principal Odor Map Unifies Diverse Tasks in Human Olfactory Perception
* '''中文标题'''：一个主要的气味地图统一了人类嗅觉感知中的多种任务
* '''发布日期'''：2022-09-03
* '''作者'''：Lee, B. K.; Mayhew, E. E.; Sanchez-Lengeling, B.; Wei, J. N.; Qian, W. W.; Little, K.; Andres, M.; Nguyen, B. B.; Moloy, T.; Parker, J. K.; Gerkin, R. C.; Mainland, J. D.; Wiltschko, A. B.
* '''分类'''：neuroscience
*'''原文链接'''：https://www.biorxiv.org/content/10.1101/2022.09.01.504602
'''摘要'''：将分子结构映射到气味感知是嗅觉研究的一个关键挑战。在这里，我们使用图神经网络（GNN）生成一个主要气味地图（POM），该地图保留了感知关系，并使得对新的气味物质的气味质量进行预测成为可能。该模型在描述气味质量上与人类一样可靠：在一个包含400种新气味物质的预测验证集上，模型生成的气味剖面比训练小组的平均值（n=15）更接近中位数的小组成员。通过应用简单、可解释、理论根源的转换，POM在其他几个气味预测任务上超过了化学信息模型，表明POM成功地编码了结构-气味关系的一般化地图。这种方法广泛地使气味预测成为可能，并为数字化气味铺平了道路。
一句话总结：气味地图实现了人类级别的气味描述性能，并推广到多种气味预测任务。