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。

== 问题与动机 ==
作者的研究问题包括：
* 如何将[[分子结构]]映射到[[气味感知]]上，这是[[嗅觉]]领域的一个关键挑战。
* 如何生成一个能够保留感知关系并用于新气味分子气味质量预测的主气味图（[[Principal Odor Map, POM]]）。
* 如何确保模型在描述气味质量时与[[人类评价者]]一样可靠。
* 如何应用简单、可解释且理论上有根据的转换，来超越现有的[[化学信息学模型]]在多种气味预测任务上的表现。
* 如何确保模型能够泛化到其他[[嗅觉任务]]上，并且对结构-气味关系中的不连续性具有鲁棒性。
* 如何通过前瞻性验证测试，评估模型在预测新气味分子时的表现。
* 如何处理[[化学材料]]中的杂质对气味感知的影响，以及这些杂质对模型性能的影响。
* 如何利用POM探索未知的[[气味空间]]，并预测潜在的气味分子。
* 如何将POM应用于多种气味预测任务，并与现有的化学信息学模型进行比较。

== 背景介绍 ==
这篇文献的背景主要集中在以下几个方面：
# '''人类嗅觉感知的分子结构映射'''：
#* 将分子结构映射到气味感知是[[嗅觉]]领域的一个关键挑战。
#* 与[[视觉]]和[[听觉]]领域中较为直接的物理属性到感知特性的映射不同，化学结构到嗅觉感知的映射存在许多不连续性。
#* 传统的化学信息学方法，如功能团计数、物理性质、分子指纹等，在描述气味空间方面存在不足。
# '''图神经网络在气味感知建模中的应用'''：
#* 通过构建消息传递神经网络（MPNN），一种特定类型的[[图神经网络]]（GNN），可以将化学结构映射到气味感知。
#* GNN能够优化分子片段权重，以适应特定气味应用，与传统的指纹技术相比，能够更好地捕捉气味相关的特征。
#* [[神经网络]]已经在多个感知领域（如自然图像、面部和声音）中实现了预测建模的突破，并自然地产生输入数据的高维、数据驱动的中间表示。
# '''主气味图（POM）的构建与验证'''：
#* 通过训练模型，生成一个主气味图（POM），它能够保留感知关系，并实现对新气味物质的气味质量预测。
#* POM在多个气味预测任务上的表现超过了化学信息学模型，表明它成功编码了一个泛化的结构-气味关系图。
#* 该方法不仅能够预测气味，还为气味的数字化铺平了道路。