
Trudno jest przewidzieć związek między strukturą cząsteczki a jej zapachem. Problem ten, zwany ilościowym modelowaniem zależności struktura-zapach (QSOR), jest ważnym wyzwaniem w chemii, mającym silny potencjalny wpływ między innymi na produkcję syntetycznych zapachów.
W artykule opublikowanym w październiku 2019 r. przez zespół badaczy Google, opisano w jaki sposób można wykorzystać uczenie maszynowe do znalezienia związku, który naukowcy próbują określić ilościowo od ponad 70 lat, między zapachem cząsteczki a jej strukturą.
Podczas gdy struktury molekularne mogą dać naukowcom wgląd w to, jak coś wygląda lub jak to brzmi, „przewidywanie związku między strukturą cząsteczki a jej zapachem pozostaje trudnym, rozwiązywanym od dziesięcioleci zadaniem”.
Naukowcy wykorzystali uczenie maszynowe, aby znaleźć tę zależność ilościową w sposób przypominający wykorzystanie głębokiego uczenia się do przewidywania cech wizualnych i słuchowych.
Korzystając z zestawu danych 5030 cząsteczek oznaczonych deskryptorami zapachowymi (np. owocowymi, pieczywem, orzechami i serem) przez ekspertów węchowych (np. profesjonalnych perfumiarzy), zespół przeszkolił sieć neuronową Graph, aby przewidywać te etykiety na podstawie kształtu cząsteczki.
Percepcyjne i strukturalne podobieństwa zarówno lokalnych, jak i globalnych składników cząsteczki pomogły tej sieci neuronowej w rozpoznaniu, które części są odpowiedzialne za które węzły zapachowe.
Według publikacji umiejętność wykorzystania uczenia maszynowego do przewidywania zapachów na podstawie ich struktur molekularnych „pomogłaby w odkryciu nowych syntetycznych substancji zapachowych”, dzięki czemu naturalne produkty nie musiałyby być zbierane w tak dużych ilościach.