可与人类鼻子相媲美，谷歌联合开发AI系统预测化学物质气味 - IT思维

公众号/  ScienceAI（ID：Philosophyai）

编辑 | 绿萝

神经科学的一个主要关键是了解我们的感官如何将光转化为视觉，将声音转化为听觉，将食物转化为味觉，将质地转化为触觉。嗅觉有一些特别之处。

气味是唯一一种直接从感觉器官（比如鼻子）传递到大脑的记忆和情感中心的感觉信息。其他类型的感觉输入首先通过其他大脑区域。这种直接途径解释了为什么气味可以唤起特定的、强烈的记忆。

为了探索化学物质的结构与其气味之间的关联，由 Google Research、 Osmo Lab 等组成的多机构研究团队设计了一种称为神经网络的 AI 系统，研究发现机器学习模型在用语言描述化学品的气味方面已经达到了人类水平。

该系统可以将 55 个描述性词语中的一个或多个分配给气味，例如例如鱼腥味或酒味。该团队指示 AI 描述大约 5000 种气味剂的香气。AI 还分析了每种气味剂的化学结构，以确定结构和气味之间的关系。

该系统识别出化学物质结构中的特定模式与特定气味之间的大约 250 种相关性。研究人员将这些相关性组合成主要气味图（Principal Odor Map，POM），当 AI 被要求预测新分子的气味时可以参考该图。

研究人员还将 POM 与人类鼻子进行了对比测试，研究发现 AI 的猜测往往非常接近人类给出的平均反应——通常比任何个人的猜测更接近。这本气味指南可以帮助研究人员设计新的合成气味，并可能提供有关人脑如何解释气味的见解。

该研究以「A principal odor map unifies diverse tasks in olfactory perception」为题，于 2023 年 8 月 31 日发布在《Science》上。

论文链接：https://www.science.org/doi/full/10.1126/science.ade4401

我们的大脑和鼻子如何协同工作

人类大约有 400 个功能性嗅觉受体。这些是位于嗅觉神经末端的蛋白质，与空气中的分子连接，将电信号传输到嗅球。嗅觉感受器的数量比我们用于色觉、味觉的数量要多得多。

「然而，在嗅觉研究中，什么物理特性使空气中的分子闻到大脑的气味仍然是一个谜，」论文共同作者 Joel Mainland 说。「但是，如果计算机能够辨别分子的形状与我们最终如何感知它们的气味之间的关系，科学家们就可以利用这些知识来加深对我们的大脑和鼻子如何协同工作的理解。」

为了解决这个问题，Osmo 首席执行官 Alex Wiltschko 博士。他的团队创建了一个模型，学习如何将分子气味的散文描述与气味的分子结构相匹配。这些相互作用的结果图本质上是相似气味的分组，例如花香和糖果香。

「计算机已经能够数字化视觉和听觉，但不能数字化嗅觉——我们最深层、最古老的感觉，」Wiltschko 说。「这项研究提出并验证了一种新的数据驱动的人类嗅觉图，将化学结构与气味感知相匹配。」

POM 解决了一组基本的嗅觉预测任务。（来源：Osmo AI）

大蒜或臭氧的气味是什么？

该模型使用工业数据集进行训练，其中包括 5,000 种已知气味剂的分子结构和气味质量。数据输入是分子的形状，输出是对哪种气味词最能描述其气味的预测。

为了确定该模型的有效性，莫奈尔化学感官中心（Monell Chemical Senses Center）的研究人员进行了盲法验证程序，其中一组经过培训的研究参与者描述了新分子，然后将他们的答案与模型的描述进行了比较。15 名小组成员每人被给予 400 种气味剂，并接受训练使用一组 55 个单词（从薄荷味到霉味）来描述每种分子。

「我们对这个模型的信心只能与我们对用来测试它的数据的信心一样高，」共同第一作者 Brian K. Lee 博士说。

Monell 团队为小组成员提供了实验室设计的气味参考套件，教他们如何识别气味并选择最合适的词语来描述他们的感知。为了避免过去研究中的陷阱，例如小组成员将「霉味」（如潮湿的地下室）和「麝香」（如香水）混为一谈，训练课程和实验室设计的气味参考套件向每位小组成员介绍了与每个描述性术语相关的气味质量。

小组成员被要求从 55 种描述词中选择适用的描述词，并为 400 种气味中的每一种以 1 到 5 的等级来评价该术语最适合气味的程度。

在人类嗅探器与计算机模型的最终比较中，质量控制也很重要。

合著者、英国雷丁大学化学教授 Jane Parker 博士所带领的团队验证了用于测试模型预测的样本的纯度。首先，气相色谱法使他们能够分离出样品中的每种化合物，包括任何杂质。接下来，Parker 和她的团队闻了每种分离的化合物，以确定是否有任何杂质掩盖了目标分子的已知气味。

「在 50 个测试样品中，我们确实发现了一些含有明显杂质的样品，」Parker 说。在一种情况下，杂质来自于目标分子合成中使用的微量试剂，使样品具有独特的黄油气味，盖过了感兴趣的气味剂。「在这种情况下，我们能够解释为什么专家组对气味的描述与人工智能的预测不同。」

POM 保留了气味感知空间的结构。（来源：Osmo AI）

比人类更好吗？

在将模型的性能与个别小组成员的性能进行比较时，除了杂质之外，该模型比研究中的任何单个小组成员都能更好地预测该组气味评级的平均值。具体来说，该模型在 53% 的测试分子中表现优于小组成员的平均水平。

「然而，最令人惊讶的结果是，该模型成功地完成了未经训练的嗅觉任务，」Mainland 说。「令人大开眼界的是，我们从未训练它学习气味强度，但它仍然可以做出准确的预测。」

该模型能够识别出数十对结构不同的分子，这些分子具有与直觉相反的相似气味，并表征了 500,000 个潜在气味分子的各种气味特性，例如气味强度。「我们希望这张图对化学、嗅觉神经科学和心理物理学的研究人员有用，作为研究嗅觉本质的新工具，」Mainland 说。

下一步是什么？

下一步是什么？研究小组推测模型图可能是根据新陈代谢来组织的，这将是科学家对气味看法的根本转变。换句话说，地图上彼此接近或感知上相似的气味也更有可能与代谢相关。感官科学家目前以化学家的方式组织分子，例如询问它是否有酯环或芳香环？

Wiltschko 说，下一步是找出气味剂如何结合并相互竞争，以产生人脑所解释的与每种气味剂完全不同的气味。哥伦比亚大学的神经科学家 Stuart Firestein 表示，这将非常困难：仅将 100 个分子以 10 个不同的组合混合就会产生 17 万亿种变化，而可能的组合数量很快就会变得太多，计算机无法分析。

但这就是人类实际闻气味的方式，Firestein 说。即使是一种特定的气味，例如咖啡，也含有数百种有气味的化学物质。「预测混合气味是下一个前沿领域，」Wiltschko 说。

参考内容：https://www.science.org/content/article/ai-rivals-the-human-nose-when-it-comes-to-naming-smells
https://techxplore.com/news/2023-08-closer-digitizing-odors-human-panelists.html
https://www.nature.com/articles/d41586-023-02714-2