WikiEdge:BioRxiv-2022.09.01.504602

• 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。