Google AI 使用主要气味图对气味进行数字化

介绍

气味世界是巨大的；研究表明，据报道，人类的嗅球可以区分超过一万亿种不同的气味。通过绘制分子气味图并将嗅觉数字化，谷歌人工智能研究人员完成了一项令人难以置信的壮举，这将有助于发现新的气味和分子并研究它们的生物学特性。他们提出了“主要气味图”（POM），即空间中每个气味分子的矢量表示。

在本文中，我们将更详细地研究这个提议的方法。

强调

• 谷歌人工智能研究专家提出了一种使用分子图将气味数字化的方法。他们展示了“主要气味图”（POM），这是空间中每个气味分子的矢量表示。

• POM具有基于两个方面的感官地图的特征。第一个是一对感知相似的气味，对应于附近的两个 POM 点。其次，该模型使用户能够预测和发现新气味和产生它们的分子。

• 该地图可用于前瞻性地寻找新的解决方案，如食品和香料配方、环境质量监测、分子气味特性预测、从基础生物学角度了解它们的特性，以及解决紧迫的全球人类/动物健康问题。

背景

在空气中移动的分子会产生气味。由于数十亿个分子可以产生气味，因此很难确定哪些分子会产生特定气味。为了解决这个问题，可以利用分子图。但是，由于没有良好的嗅觉“相机”和监视器，因此制作它们更加困难。”

各种分子应该唤起的气味的名称，例如“花香”、“木香”或“薄荷”，与Google AI的图形神经网络 (GNN) 模型中的大量这些分子的示例相结合创建于 2019 年。这种方法对于研究分子结构与其具有特定气味标签的可能性之间的相关性是必要的。

建议的方法

为了解决上述问题，谷歌人工智能研究人员提出了“主要气味图”（POM），它将模型嵌入空间中每个气味分子的向量表示确定为高维空间中的单个点。

POM具有基于以下两个方面的感官地图的特征：

1. 首先，感知上相同的气味对对应于 POM 中的两个附近点（以此类推，红色更接近橙色而不是色轮上的绿色）。

2. 其次，POM 使我们能够预测和识别新气味和产生它们的分子。

在 POM 上将感知到的相似气味对显示为具有相似色调的附近点。该地图可用于理解生物学中的这些特性，预测分子未来的气味特性，并解决关键的全球健康问题。

我们在小学学习的色轮和用于校正视频颜色的更复杂的变化是这些地图中最著名的两个例子。

图 1（左）说明了一个颜色图，其中色调和饱和度值可以直接从坐标转换。相似的色调被发现在一起，并且地图上的位置可用于识别特定的光波长（及其组合）。

主要气味图中的气味以类似的方式起作用。单个分子对应于点（灰色），这些点的位置代表对其气味特征的预测[见图 1（右）]。

图 1：左：颜色图示例 右：主要气味图中的气味（来源：Google AI）

试验结果

已经在地图上进行了几次测试。下面，我们将简要介绍这些测试中的每一个。

测试 1：用训练时从未遇到过的分子挑战模型

测试了基础模型是否可以准确预测新分子的气味，这些分子以前从未闻过，并且与模型开发过程中使用的分子非常不同。这是一项至关重要的测试，因为模型在对与他们之前在训练期间遇到（看到）的数据有显着差异的数据进行测试时通常会失败。

在测试中，发现该模型的预测比典型小组成员的预测更准确。换句话说，该模型显示出从分子结构推断气味的非凡能力。

此外，POM 在其他人类嗅觉任务上展示了最先进的性能，例如确定气味的效力或各种气味的相似性。因此，POM 应该能够预测数十亿仍然未知的气味分子中的任何一种的气味特性，并在风味和香味方面具有广泛的应用。

图 2：相对于中值人类小组成员的表现（来源 | Google AI）

与替代基准模型（在各种化学信息学特征集上训练的 RF 和最近邻模型）相比，GNN 模型在预测小组平均评分方面优于中值人类小组成员。换句话说，GNN 模型比典型的小组成员更能代表小组的共识。

测试 2：将气味质量与基础生物学联系起来

研究了可用于预测人类气味感知的主要气味图是否也可以预测动物气味感知和潜在的大脑活动。嗅觉神经科学家研究的大多数动物，包括老鼠和昆虫，都表明该地图可以准确地预测感觉受体、神经元和行为的活动。

图 3：左： 构建代谢图的聚合代谢反应。 右：代谢距离与 POM 中的距离有很强的相关性

在图 3（左）中，每个圆圈代表一个独特的代谢物分子，箭头表示将一个分子变为另一个分子的代谢反应。一些代谢物有气味（颜色），而另一些则没有（灰色），两种有气味的代谢物之间的代谢距离是将一种转化为另一种所需的最短距离。在粗体路径中，距离为 3。在图 3（右）中，代谢距离与 POM 中的距离密切相关，POM 是感知气味差异的一种度量。

测试 3：扩展模型以应对全球健康挑战

由于它们的气味感知，蚊子和其他害虫被人类吸引。由于 POM 可以预测动物的嗅觉，它被重新训练以解决人类最大的问题之一，即每年杀死数十万人的蚊子和蜱虫传播的疾病祸害。

USDA 驱蚊数据已针对先前由 Google Books 扫描的数千个分子进行数字化处理，并进一步用于改进模型核心的学习表示（地图）。此外，还添加了额外的层，专门用于预测蚊虫饲养试验中的驱虫性。该模型经过迭代训练以改进分析预测，同时运行潜在驱虫剂的计算筛选。

用例

以下是一些应用程序：

1. 驱蚊/驱虫剂：在用全新分子进行的实验测试中，发现有十几种驱虫剂至少与大多数驱虫剂的主要成分DETA一样有效。因此，POM 可以帮助设计更便宜、持久且安全的驱虫剂，进而减少疟疾、登革热等疾病。
2. 食物配方：所提出的方法可以使机器人在准备食物时闻到食物的味道。具有增强嗅觉的机器人将能够烹饪更多美味的食物，并检测燃烧的气味和煤气泄漏。如果它与可以在食物燃烧之前关闭烤箱或可以检测到气体泄漏的技术相结合，甚至可以挽救生命。
3. 香水配方：如果您最近一直在关注新闻，您可能听说过借助人工智能制造的基于人工智能 (AI) 的香水或除臭剂（例如Lynx AI等）。使用香水成分（分子）及其组合来发现理想的香味，可以创造出新的香味。
4. 环境质量监测：可以研究和识别可以利用嗅觉的有毒空气、水或任何其他类型的环境污染物。
5. 预测和理解分子的气味/生物学特性
6. 检测人类/动物疾病

结论

1. 谷歌人工智能研究专家描述了一种使用分子图将气味数字化的方法。他们展示了“主要气味图”（POM），这是空间中每个气味分子的矢量表示。
2. POM具有基于两个方面的感官地图的特征。第一个是一对感知上相似的气味，对应于附近的两个 POM 点。其次，该模型使用户能够预测和发现新气味和产生它们的分子。
3. 美国农业部驱蚊数据被数字化并进一步用于改进学习的表示。此外，添加了额外的层来预测蚊虫饲养试验中的驱避性。该模型还经过迭代训练，以在运行潜在驱虫剂的计算筛选时提高分析预测。
4. 这张地图是测量气味的关键，因为它回答了有关新气味及其产生分子的各种问题，将气味与其进化和自然起源联系起来，并有助于解决影响数百万人健康的紧迫问题。

原文标题：Google AI Digitized Odors Using Principal Odor Map

原文作者：Drishti Sharma 

原文链接：https://www.analyticsvidhya.com/blog/2022/10/google-ai-digitized-odors-using-principal-odor-map/