WikiEdge:BioRxiv-2022.09.01.504602

出自WikiEdge
於 2024年9月26日 (四) 10:14 由 David（對話 | 貢獻） 所做的修訂 （Updated page by David）
跳至導覽 跳至搜尋
  • 標題：A Principal Odor Map Unifies Diverse Tasks in Human Olfactory Perception
  • 中文標題：一個主要的氣味地圖統一了人類嗅覺感知中的多種任務
  • 發佈日期：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.
  • 分類：neuroscience
  • 原文連結：https://www.biorxiv.org/content/10.1101/2022.09.01.504602

摘要：將分子結構映射到氣味感知是嗅覺研究的一個關鍵挑戰。在這裏，我們使用圖神經網絡（GNN）生成一個主要氣味地圖（POM），該地圖保留了感知關係，並使得對新的氣味物質的氣味質量進行預測成為可能。該模型在描述氣味質量上與人類一樣可靠：在一個包含400種新氣味物質的預測驗證集上，模型生成的氣味剖面比訓練小組的平均值（n=15）更接近中位數的小組成員。通過應用簡單、可解釋、理論根源的轉換，POM在其他幾個氣味預測任務上超過了化學信息模型，表明POM成功地編碼了結構-氣味關係的一般化地圖。這種方法廣泛地使氣味預測成為可能，並為數碼化氣味鋪平了道路。 一句話總結：氣味地圖實現了人類級別的氣味描述性能，並推廣到多種氣味預測任務。

問題與動機

作者的研究問題包括：

  • 如何將分子結構映射到氣味感知上，這是嗅覺領域的一個關鍵挑戰。
  • 如何生成一個能夠保留感知關係並用於新氣味分子氣味質量預測的主氣味圖（Principal Odor Map, POM）。
  • 如何確保模型在描述氣味質量時與人類評價者一樣可靠。
  • 如何應用簡單、可解釋且理論上有根據的轉換，來超越現有的化學信息學模型在多種氣味預測任務上的表現。
  • 如何確保模型能夠泛化到其他嗅覺任務上，並且對結構-氣味關係中的不連續性具有魯棒性。
  • 如何通過前瞻性驗證測試，評估模型在預測新氣味分子時的表現。
  • 如何處理化學材料中的雜質對氣味感知的影響，以及這些雜質對模型性能的影響。
  • 如何利用POM探索未知的氣味空間，並預測潛在的氣味分子。
  • 如何將POM應用於多種氣味預測任務，並與現有的化學信息學模型進行比較。

背景介紹

這篇文獻的背景主要集中在以下幾個方面：

  1. 人類嗅覺感知的分子結構映射：
    • 將分子結構映射到氣味感知是嗅覺領域的一個關鍵挑戰。
    • 與視覺和聽覺領域中較為直接的物理屬性到感知特性的映射不同，化學結構到嗅覺感知的映射存在許多不連續性。
    • 傳統的化學信息學方法，如功能團計數、物理性質、分子指紋等，在描述氣味空間方面存在不足。
  2. 圖神經網絡在氣味感知建模中的應用：
    • 通過構建消息傳遞神經網絡（MPNN），一種特定類型的圖神經網絡（GNN），可以將化學結構映射到氣味感知。
    • GNN能夠優化分子片段權重，以適應特定氣味應用，與傳統的指紋技術相比，能夠更好地捕捉氣味相關的特徵。
    • 神經網絡已經在多個感知領域（如自然圖像、面部和聲音）中實現了預測建模的突破，並自然地產生輸入數據的高維、數據驅動的中間表示。
  3. 主氣味圖（POM）的構建與驗證：
    • 通過訓練模型，生成一個主氣味圖（POM），它能夠保留感知關係，並實現對新氣味物質的氣味質量預測。
    • POM在多個氣味預測任務上的表現超過了化學信息學模型，表明它成功編碼了一個泛化的結構-氣味關係圖。
    • 該方法不僅能夠預測氣味，還為氣味的數碼化鋪平了道路。

章節摘要

這篇論文是關於人類嗅覺感知的圖神經網絡模型研究，其主要內容可以概括如下：

  1. 引言：
  1. 結果：
    • 構建了一個消息傳遞神經網絡（MPNN），用於將化學結構映射到氣味感知。
    • 該模型（稱為「主要氣味地圖」或POM）在預測氣味質量方面與人類評價者一樣可靠。
    • POM在多個氣味預測任務上超越了現有的化學信息學模型。
  1. 方法論：
    • 為了訓練模型，研究者們匯總了約5000個分子的參考數據集，每個分子都有多個氣味標籤。
    • 模型通過跨驗證預測性能達到了高準確度。
  1. 實驗與驗證：
  1. 討論：
    • 提出了一種新的、數據驅動的人類嗅覺高維地圖，並驗證了其有效性。
    • 討論了該模型在實際應用中的潛在影響，以及如何通過增加訓練數據來提高模型性能。
  1. 結論：
    • 該研究提出的POM為氣味和分子空間之間的關係提供了一個直觀、可解釋的地圖。
    • 該地圖不僅在描述氣味方面達到了人類水平的表現，而且可以推廣到其他多種嗅覺任務。
取自 "http://zh.wikiedge.org/index.php?title=WikiEdge:BioRxiv-2022.09.01.504602&oldid=2127"