Модель машинного навчання досягає рівня людини в описі запахів хімічних речовин

Розуміння складного зв’язку між хімічними структурами та нашим сприйняттям запахів вже давно є викликом для нейронауки. У той час як інші органи чуття, такі як зір та слух, мають чітко встановлені зв’язки між фізичними властивостями та якостями сприйняття, нюхова система залишалася загадкою в цьому відношенні.

У відповідь на цей виклик команда дослідників використала можливості нейронних мереж для створення революційної карти основних запахів (Principal Odor Map, POM). Ця нейромережева модель долає розрив між хімічними структурами та сприйняттям запахів, фіксуючи відстані та ієрархію нюхових відчуттів. Вони використали набір даних з 5 000 молекул з мітками запахів, навчили свою модель і перевірили її на основі людських оцінок нових запахів. Вражаюче, що POM успішно зберігає перцептивні зв’язки, перевершуючи традиційні структурні карти.

Дослідження також заглиблюється в продуктивність моделі графової нейронної мережі (Graph Neural Network, GNN) у порівнянні з традиційною моделлю відбитків пальців, що базується на підрахунку. Модель GNN не лише перевершила традиційну модель, але й збіглася або перевищила оцінки експертів для 55% етикеток із запахами. Вона навіть визначила домішки як потенційні фактори, що впливають на сприйняття запаху.

Крім того, було перевірено стійкість POM до структурних та перцептивних розривів. Результати виявилися багатообіцяючими: POM точно передбачила контрінтуїтивно зрозумілі взаємозв’язки між структурою та запахом у 50% випадків, значно перевершивши базові моделі.

У сфері ольфакторної науки це дослідження є важливою віхою. Карта основних запахів прокладає шлях до глибшого розуміння складних зв’язків між молекулярними структурами та нашим сприйняттям запахів. Це дослідження обіцяє прогрес не лише в нейробіології ольфакторної нейронауки, а й у галузі хімії та психофізики.