嗅觉是一种动物共有的感觉，并且它在生物如何对外界做出反应方面起着至关重要的作用。对于人类来说，我们的嗅觉与我们享用食物的能力息息相关。嗅觉使我们可以感应到日常生活中各种各样的气味，尽管它很重要，但嗅觉并没有像视觉和听觉那样受到机器学习研究人员的关注。

人类的气味感知是通过激活400种不同类型的嗅觉受体（OR）来实现的，嗅觉感知神经元（OSNs），位于称为嗅觉上皮的一小块组织中。这些OSN将信号发送到嗅球，然后再发送到大脑中的其他组织。基于视觉和声音深度学习的类似先例，即使不知道所有涉及系统的复杂细节，也应该可以直接预测输入分子的最终感觉结果。解决气味预测问题将有助于发现新的合成气味剂，从而减少利用天然植物带来的生态影响。对产生的嗅觉模型的检查甚至可能产生对气味生物学的新发现。小气味分子是香精最基本组成部分，因此它代表了气味预测问题的最简单形式。但是每个分子可以具有多个气味标签。例如，香兰素具有甜味，香草味，奶油味和巧克力味等标签，其中某些成分比其他成分更明显。因此，气味预测也是一个多标签分类问题。

谷歌研究人员利用了图神经网络（GNN），这是一种设计用于对图进行操作的深度神经网络。作为输入，无需制定任何规则即可直接预测单个分子的气味标签。他们证明，与目前的最新技术相比，该方法在气味预测方面具有显着改善的性能，并且是未来研究的有希望的方向。

用于气味预测的图神经网络

每个节点都表示为一个向量，向量中的每个条目最初都会编码一些原子级信息。

对于每个节点，我们查看相邻节点并收集其信息，然后使用神经网络将其转换为中心节点的新信息。此过程是迭代执行的。GNN的其他变体利用边缘和图形级信息。

GNN的气味预测图。我们将分子的结构转换成图，然​​后将其输入到GNN层中，以学习更好地表示节点。这些节点被简化为单个向量，并传递到用于预测多个气味描述符的神经网络中。

由于分子类似于图，原子形成顶点而键形成边缘，因此GNN是理解它们的自然选择。但是，如何将分子的结构转化为图形表示呢？最初，使用任何首选的特征化（原子身份，原子电荷等）将图中的每个节点表示为一个向量。然后，在一系列信号传递步骤中，每个节点向每个相邻单位传播其当前向量值。然后，更新功能将收集发送给它的向量的集合，并生成更新的向量值。此过程可以重复多次，直到最终通过求和或求平均值将图中的所有节点汇总为单个向量。然后，可以将代表整个分子的单个矢量传递到完全连接的网络中，以学习分子功能。这种表示对原子的空间位置一无所知，因此它无法区分立体异构体，即由相同原子组成但分子结构略有不同的分子，例如（R）-和（S）-香芹酮。然而，我们发现，即使不区分立体异构体，实际上仍然可以很好地预测气味。为了进行气味预测，与以前的最新技术相比，GNN始终表现出更高的性能。

以AUROC分数衡量，在强基线下，GNN在气味描述符上的性能示例。随机抽取示例气味描述符。接近1.0意味着更好。在大多数情况下，GNN的性能大大超过领域标准的基准，与其他指标（例如AUPRC，召回率，精度）相比，其性能相似。

从模型中学习，并将其扩展到其他任务

除了预测气味标签外，GNN还可应用于其他嗅觉任务。例如，仅使用有限的数据对气味标签进行分类。对于每个分子，都可以从模型的中间层提取一个学习的表示形式，该中间层针对气味标签进行了优化，称之为“气味嵌入”。可以将其视为色彩空间的嗅觉版本，例如RGB或CMYK。为了了解这种气味嵌入对于预测相关但不同的任务是否有用，研究人员设计了一些实验来测试嵌入在相关任务上。然后，将气味嵌入表示的性能与常见的化学信息学表示形式，它编码分子的结构信息，但与气味不可知，并且发现气味的嵌入普遍适用于一些具有挑战性的新任务，甚至在某些方面符合最新技术要求。

嵌入空间的2D快照，突出显示了一些示例气味。左：每种气味都聚集在自己的空间中。右：气味描述符的层次性质。阴影和轮廓区域是使用嵌入的核密度估计来计算的。

未来的工作

在机器学习领域中，气味仍然是最难以捉摸的。未来研究的可能性是多种多样的，涉及到从设计更便宜、更可持续生产的新型嗅觉分子到将气味数字化，甚至有一天使没有嗅觉的人可以接触到气味。我们希望通过最终创建和共享高质量的开放数据集，也将这个问题引起更多机器学习领域的注意。