研究人员利用机器学习揭开了嗅觉的神秘面纱。他们的AI模型在描述某些化学物质的气味方面达到了人类水平，填补了科学界对嗅觉理解的关键空白。这项技术不仅推动了我们对嗅觉的理解，还可能为香料和食品行业带来突破，甚至帮助创造新的功能性气味，如驱蚊剂。该研究验证了首个数据驱动的人类嗅觉图谱，将化学结构与气味感知联系起来。

关键发现

• AI模型通过5000种已知气味分子的行业数据集进行训练，能够根据分子结构预测气味描述。

• 与人类测试者相比，AI模型在53%的测试分子中表现优于个体人类评估。

• AI模型还展示了其未经训练的能力，如准确预测气味强度，显示了其在更广泛嗅觉任务中的潜力。

研究背景
嗅觉是神经科学中最复杂的感官之一。为了探索空气中的化学物质如何与大脑中的气味感知联系起来，Monell化学感官中心与剑桥初创公司Osmo合作，开发了一种机器学习模型，能够以人类水平的准确性描述化学物质的气味。

研究方法
研究团队利用包含5000种已知气味分子的分子结构和气味特性的行业数据集训练模型。模型的输入是分子的形状，输出是对其气味的最佳描述。为了验证模型的有效性，Monell中心的研究人员进行了盲测，将训练有素的人类测试者的描述与模型的预测进行比较。

研究结果

• 模型在描述气味质量方面与人类测试者相当，甚至在53%的测试分子中表现优于个体测试者。

• 模型还展示了其未经训练的能力，如准确预测气味强度。

• 模型能够识别数十对结构不同但气味相似的分子，并为50万种潜在气味分子表征多种气味特性。

未来展望
研究团队推测，嗅觉图谱可能基于代谢关系组织，这将是科学家对气味认知的根本性转变。未来的研究可能会进一步探索这一图谱在化学、嗅觉神经科学和心理物理学中的应用。

资助声明
本研究部分由Google Research和美国国立卫生研究院（NIH）资助，资助编号为F32 DC019030和T32 DC000014。

参考文献
Mainland, J., et al. (2023). "A principal odor map unifies diverse tasks in olfactory perception." Science. DOI: 10.1126/science.ade4401