Es gibt eine KI, die „riechen“ kann, und ihr Arbeitspensum ist vergleichbar mit dem eines Geruchsbewerters, der 70 Jahre lang ununterbrochen arbeitet!

Inhalt auf einen Blick: Gerüche umgeben uns ständig. Allerdings fällt es uns schwer, Gerüche präzise zu beschreiben. Vor Kurzem hat Osmo, eine Tochtergesellschaft von Google Research, eine KI zur Geruchsanalyse auf Basis von Graph-Neural-Networks entwickelt. Es kann den Geruch chemischer Moleküle anhand ihrer Struktur vorhersagen. Auf Grundlage dieser KI haben die Forscher das Hauptgeruchsspektrum kartiert und eine Zuordnung zwischen chemischer Struktur und Geruch erstellt, die voraussichtlich eine neue Methode für die Wahrnehmungsforschung liefern wird.

Ein grundlegendes Problem der neurowissenschaftlichen Forschung besteht darin, die physikalischen Eigenschaften externer Reize in Sinneswahrnehmungen abzubilden.

Beim Sehen ist Farbe eine Abbildung der Wellenlänge. Beim Hören ist die Tonhöhe eine Abbildung der Frequenz. Doch beim Geruchssinn ist die Zuordnung zwischen Gerüchen und Substanzen schwierig herzustellen.

Derzeit können wir nur einige Grundgerüche extrahieren, ein Duftrad zeichnen und diese Grundgerüche dann verwenden, um komplexere Gerüche zu bilden.

Abbildung 1: Schematische Darstellung des Geruchsrades

Für die wissenschaftliche Forschung ist diese grobe Einteilung allerdings schwer anwendbar. Zwar gibt es bereits Technologien zur Geruchsüberwachung wie Geruchssensoren, diese Sensoren können jedoch bislang nur bestimmte Gerüche erkennen. Bei der bestehenden Geruchsidentifizierung ist häufig noch die Mitwirkung von Geruchsbewertern erforderlich, ein zeitaufwändiger Prozess mit schlechter Wiederholbarkeit.

Vor Kurzem hat Osmo, ein Zweig von Google Research, eine KI zur Geruchsanalyse auf Basis von Graph Neural Networks (GNN) entwickelt. Es kann den Geruch eines chemischen Moleküls anhand seiner Struktur beschreiben. Das Modell übertraf den Menschen bei der Beurteilung von 53 % der chemischen Moleküle und 55 % der Geruchsbeschreibungen. Schließlich verwendeten die Forscher dieses Modell, um die Hauptgeruchsspektrumkarte POM (Principle Odor Map) zu zeichnen. Dieses Ergebnis wurde in Science veröffentlicht.

Entsprechende Forschungsergebnisse wurden in Science veröffentlicht. Link: https://www.science.org/doi/full/10.1126/science.ade4401

Versuchsablauf:

1. GNN-Modelle sind in mehreren Architekturen stabil

Der Geruchssinn ist im Wesentlichen die menschliche Wahrnehmung chemischer Moleküle in der Luft. Daher beeinflusst die Struktur der chemischen Moleküle den Geruch. In GNN wird die Struktur chemischer Moleküle analysiert und integriert, um ein Diagramm zu erstellen, das das gesamte Molekül darstellt.

Nachdem die Molekülstruktur in das Modell eingegeben wurde, optimiert GNN die Gewichte verschiedener chemischer Strukturen in einem bestimmten Geruch, beurteilt schließlich den Geruch des Moleküls über die Vorhersageschicht und gibt den entsprechenden Geruchsdeskriptor aus.

Abbildung 2: Schematische Darstellung des GNN-Modells

Durch die Kombination der Datenbanken von Good Scents und Leffingwell & Associates (GS-LF-Datenbank) wählten die Forscher eine Datenbank mit 5.000 Molekülen als Modelle aus. Jedes Molekül kann durch mehrere Gerüche beschrieben werden, beispielsweise Käse, Frucht usw.

Abbildung 3: Einige Moleküle in der GS-LF-Datenbank

Anschließend wurde die GS-LF-Datenbank im Verhältnis 8:2 in Trainings- und Testsätze aufgeteilt und der Trainingssatz wurde weiter in fünf Kreuzvalidierungs-Teilsätze unterteilt.

Der Bayessche Optimierungsalgorithmus wurde verwendet, um die Daten zu validieren und die Hyperparameter des GNN-Modells zu optimieren. Nach der Optimierung zeigte das GNN-Modell in mehreren Architekturen eine stabile Leistung, wobei der höchste AUROC im Kreuzvalidierungssatz 0,89 erreichte.

2. GNN-Modelle übertreffen Menschen bei der Geruchsvorhersage

Um die Fähigkeit des Modells zu überprüfen, andere Moleküle zu unterscheiden, führten die Forscher Geruchstests am GNN-Modell und einer menschlichen Gruppe durch.

Abbildung 4: Beurteilung des Geruchs von 2,3-Dihydrobenzofuran-5-carboxaldehyd durch verschiedene Modelle

A: GNN-Modell;

B: HF-Modell;

C: Menschliche Gruppe;

D: Bewertung des Geruchs von 2,3-Dihydrobenzofuran-5-carbaldehyd durch verschiedene Bewerter.

Bei 53 % der Moleküle waren die Geruchsvorhersageergebnisse des GNN-Modells besser als der Median der menschlichen Gruppe. Der fortschrittlichste Algorithmus, das Random-Forest-Modell (RF) auf Basis des Count-Based Fingerprint (cFP), übertraf die menschliche Gruppe nur bei 41 % der Vorhersagen molekularer Gerüche.

Abbildung 5: Korrelation der Vorhersagen verschiedener Modelle mit dem Durchschnitt der menschlichen Gruppe

Anschließend klassifizierten die Forscher die Vorhersagen des GNN-Modells in Geruchsdeskriptoren. Mit Ausnahme von Moschus liegen die Vorhersageergebnisse des GNN-Modells für molekulare Gerüche alle innerhalb der Fehlerverteilung der menschlichen Gruppe und sind besser als der Median der Vorhersageergebnisse von 30 Geruchsdeskriptoren.

Abbildung 6: Beurteilungsergebnisse des GNN-Modells, des RF-Modells und der menschlichen Gruppe für verschiedene Moleküle

Die Vorhersageergebnisse des GNN-Modells werden durch die Struktur des Moleküls beeinflusst. Daher weist das GNN-Modell für den Knoblauchgeruch, der Schwefelgruppen enthält, und den Fischgeruch, der Amine enthält, eine höhere Vorhersagegenauigkeit auf. Moschus enthält mindestens fünf verschiedene Strukturen: makrozyklisch, polyzyklisch, Nitro, Steroid und linear, daher sind die Vorhersageergebnisse des GNN-Modells die schlechtesten.

Die Leistung der menschlichen Gruppe wurde durch die Vertrautheit beeinflusst. Bei ihren Urteilen zu üblichen Lebensmittelaromen wie Nüssen, Knoblauch und Käse waren sie sich einheitlicher, bei ihren Urteilen zu Moschus und Heu gab es jedoch größere Unterschiede.

Gleichzeitig wirkt sich die Anzahl der Deskriptoren im Trainingssatz auch auf die Vorhersage eines bestimmten Geruchs durch das GNN-Modell aus. Wenn die Anzahl der Vorkommen hoch genug ist, kann das GNN-Modell relativ genaue Vorhersagen komplexer Strukturen wie fruchtiger, blumiger und süßer Aromen treffen.

Abbildung 7: Einfluss der Trainingsdaten auf die Korrelation zwischen den Vorhersageergebnissen des GNN-Modells und dem Durchschnitt der menschlichen Gruppe

Bei weniger häufig auftretenden Geschmacksrichtungen ist die Genauigkeit des GNN-Modells jedoch polarisiert. Die Vorhersagegenauigkeit für Fischgeruch, Minze und Kampfer war hoch, aber die Beurteilung für Ozon, Essigsäure und fermentierten Geschmack war schlecht.

3. Das GNN-Modell zeichnet das Hauptgeruchsspektrum

Nachdem die Forscher die Leistung des GNN-Modells überprüft hatten, verwendeten sie es weiter in verschiedenen olfaktorischen Aufgaben.

Zunächst testeten sie die Fähigkeit des Modells, Moleküle mit ähnlicher Struktur zu identifizieren. Sobald das Modell den Geruch eines Moleküls kennt, muss es den Geruch von Molekülen mit ähnlicher Struktur, aber unterschiedlichem Geruch sowie den von Molekülen mit unterschiedlicher Struktur, aber ähnlichem Geruch beurteilen. Für diese abnormale Struktur-Geruchs-Beziehung weist das GNN-Modell eine Genauigkeitsrate von 50 % auf, während das RF-Modell nur 19 % erreicht.

Abbildung 8: Eine Gruppe von Tripletts, deren Struktur oder Geruch bekannten Molekülen ähnelt

Nachdem eine stabile Struktur-Geruchs-Beziehung ermittelt worden war, begannen die Forscher mit dem Versuch, ein groß angelegtes Geruchsspektrum zu zeichnen. Sie haben die Primary Odor Map (POM) für ungefähr 500.000 Moleküle fertiggestellt. Diese Moleküle sind in der Wissenschaft noch unbekannt und die meisten von ihnen wurden noch nicht einmal synthetisiert.

Ihre Positionen im Spektrogramm können jedoch direkt vom GNN-Modell berechnet werden, sodass ein großflächiges Geruchsspektrum gezeichnet werden kann. Wenn ein geschulter menschlicher Gutachter den Geruch dieser Moleküle beurteilen könnte, bräuchte er dafür etwa 70 Jahre ununterbrochener Arbeit.

Abbildung 9: Hauptgeruchsspektrum

In der Abbildung werden die Koordinaten jedes molekularen Geruchs durch das GNN-Modell bestimmt, und der RGB-Wert seiner Farbe entspricht den Koordinaten der ersten drei Dimensionen in der vorhergesagten Geruchsmatrix.

4. Der Proust-Effekt: Die Verbindung zwischen Geruch und Gedächtnis

Wenn wir einen bestimmten Duft riechen, erinnert er uns an eine vergangene Erinnerung und der Duft macht diese Erinnerung lebendiger und emotionaler. In „Auf der Suche nach der verlorenen Zeit“ stellt der Schriftsteller Marcel Proust fest, dass der Erzähler, wenn er in Tee getränkte Madeleines riecht, „in die Vergangenheit zurückkehrt“. Daher wird dieses Phänomen auch Proust-Effekt genannt.

Der Geruchssinn ist im Nervensystem enger mit dem Gedächtnis verknüpft als jeder andere Sinn. Es ist das einzige Sinnessystem, das direkt mit den emotionalen und Gedächtnisbereichen des Gehirns verbunden ist. Bei Aktivierung der Riechzellen werden Nervenimpulse direkt an den piriformen Kortex weitergeleitet. Zu diesem Gehirnbereich gehören die Amygdala, die für Angst und andere Emotionen zuständig ist, und der Gyrus parahippocampalis, der für das Gedächtnis verantwortlich ist.

Abbildung 10: Komponenten des olfaktorischen Kreislaufs

Primärer olfaktorischer Kortex: Primärer olfaktorischer Kortex;

Amygadala: Amygdala;

Hippocampus: Seepferdchen.

Gerade wegen der engen Verbindung zwischen Geruch, Erinnerung und Emotion ist Parfüm für Menschen zu einem Muss geworden, wenn sie ausgehen und Leute treffen. Vielleicht kann die andere Person Ihren Namen nicht rufen, wenn sie Sie wiedersieht, aber wenn sie diesen Duft riecht, wird sie sich definitiv an die Szene erinnern, als sie Sie traf.

Mithilfe von KI erlangen die Menschen ein tieferes Verständnis für den Zusammenhang zwischen Molekülstruktur und Geruch. Vielleicht können wir eines Tages tatsächlich den Geschmack mischen, den wir am besten kennen. Öffnen Sie den Flaschendeckel und Sie können mit einer Zeitmaschine in die Vergangenheit zurückkehren.

Referenzlinks:

[1]https://perfumersupplyhouse.com/2014/01/09/fragrance-creation-wheels-for-you/

[2]https://www.slideserve.com/cora-schroeder/functional-neuroanatomy

Autor | Xuecai

Herausgeber | Sanyang

Dieser Artikel wurde zuerst auf der öffentlichen HyperAI WeChat-Plattform veröffentlicht~