Applet_2023-9-5_169387541302835.pdf

标题中的“Applet”可能指的是一个应用程序小程序，通常在网页或特定平台上运行，而文件名中的数字和日期可能表示该文档的创建或更新时间。然而，由于没有提供具体的内容，我将主要根据描述来讨论相关的知识点。 描述提到了“principal odor map”（主嗅觉地图）和“olfactory perception”（嗅觉感知），这是神经科学领域的一个关键问题。在嗅觉系统中，如何将化学物质的分子结构映射到我们感知到的气味特征，即所谓的“odor quality”（气味品质），是一个尚未完全解决的挑战。在这个研究中，研究人员使用了图神经网络（graph neural networks，GNNs）来构建一个这样的主嗅觉地图（POM）。 图神经网络是一种深度学习模型，特别适合处理非结构化数据，如复杂分子的图结构。在本研究中，GNNs被用来学习和捕捉化学结构与嗅觉感知之间的关系。模型经过训练后，能够预测新分子的气味品质，且预测效果与人类评价员相当。这表明POM成功地编码了一种通用的化学结构-气味关系图。 研究中提到的“prospective validation set”是指一组未在训练集中出现的新样本，用于检验模型的泛化能力。在验证集上的表现证明了模型的有效性，其生成的气味描述与训练小组的平均描述更接近。 此外，通过应用简单的、可解释的、理论基础的变换，POM在其他几个气味预测任务上超越了传统的化学信息学模型，这进一步证明了POM在捕捉结构-气味关系方面的优越性。这些任务可能包括预测不同化学结构的气味强度、识别类似气味的分子等。 Sell’s triplets的例子说明了嗅觉感知与分子结构之间非线性和复杂的关联，这三个分子尽管化学结构相似，但可能导致截然不同的嗅觉体验。这种现象展示了嗅觉编码的复杂性，与视觉或听觉系统的简单线性映射不同。 这个研究为理解嗅觉感知提供了重要的工具，POM作为一种数字化的方法，有望推动嗅觉科学的进步，未来可能应用于气味的数字化和预测，甚至可能改变我们理解和利用气味的方式，比如在香水、食品调味和环境嗅觉设计等领域。