人工智能“鼻子”可以根据分子结构预测气味
科学家取得了一项重大突破，他们开发了一种工具，仅根据分子的结构就能预测其气味特征。该工具能够识别出外观不同但气味相同的分子，以及外观非常相似但气味截然不同的分子。这项研究发表在《科学》杂志上。
雷丁大学的简·帕克教授表示：“视觉研究有波长，听觉研究有频率——两者都可以通过仪器进行测量和评估。但嗅觉呢？我们目前还没有一种方法可以根据分子的结构来测量或准确预测其气味。”
“我们可以利用当前对分子结构的了解来取得一定的进展，但最终还是会遇到许多气味和结构不匹配的例外情况。这正是之前嗅觉模型所困扰的地方。这个新的机器学习生成模型的神奇之处在于，它能够正确预测这些例外情况的气味。”
该研究应用了机器学习来创建一个“气味图谱”，这将对食品和香料行业中合成化学家的工作产生巨大价值。它还可能为生产更可持续的香精和香料开辟道路。
帕克教授说：“作为一名香精化学家，我多年来一直致力于嗅觉研究，主要依靠自己的鼻子来描述香气。”
“这个图谱不仅适用于已知的香料，以及那些在结构上非常相似的香料。它还可以描述具有不同分子特性的大量不相关分子的子集。”
“对于食品和香料领域的研究人员来说，这为他们打开了数千种，甚至数百万种潜在香料的未开发资源。”
帕克教授与宾夕法尼亚大学莫奈尔化学感官中心、亚利桑那州立大学以及从谷歌机器学习实验室分拆出来的公司Osmo的同事合作进行了这项研究。
雷丁大学的方向是评估用于测试人工智能纯度的样品。我们验证了用于测试人工智能模型预测准确性的化合物的纯度。气相色谱法使我们能够分离出痕量杂质和目标分子，因此，当它们逐一从仪器中洗脱出来时，我们可以闻到所有单个分子的气味，并确定任何痕量化合物的气味是否掩盖了目标分子的气味。
“在测试的50个样品中，我们确实发现了一些含有显著杂质的样品。在其中一个例子中，我们可以闻到的杂质是合成目标分子时所用试剂的痕迹，它给样品带来了一种独特的黄油味，掩盖了我们实际感兴趣的香料的气味。在这种情况下，我们能够解释为什么评审小组将这种气味描述为黄油味，但这与模型的预测不符，而我们对纯化合物的描述则与模型预测相符。”
一旦人工智能被数据训练，它预测新型化合物气味的能力就非常出色。如果它工作正常，那么它应该能够匹配人类评审小组的平均气味评分，而它也做到了这一点。
帕克博士说：“作为合成化学的一个工具，这将是无价的。我们可以利用它来寻找新的香气。它打开了筛选大量分子以寻找香气的可能性，就像制药行业为新药物所做的那样。”