DeepNose：等距卷积神经网络预测人类嗅觉感知
机器学习
2024-12-13 v1 无序系统与神经网络
神经与进化计算
神经元与认知
摘要
嗅觉系统通过一组嗅味受体（ORs）的响应来感知分子并生成嗅觉感知。本研究假设ORs可被视为提取与嗅觉系统相关的分子特征的3D空间滤波器，类似于其他感觉介质中发现的时空滤波器。为构建这些滤波器，我们训练了一个卷积神经网络（CNN）来预测来自多个语义数据集的人类嗅觉感知。我们的神经网络DeepNose产生的响应因其等距体系结构而对分子姿态大致不变。DeepNose网络为不同嗅觉数据集提供了高保真感知预测。此外，我们的方法允许我们识别贡献于特定感知描述符的分子特征。由于DeepNose网络的设计与生物学系统相匹配，我们的方法可为不同立体异构体预测不同的感知质感。DeepNose网络的体系结构允许同时处理多个分子，从而推断嗅味混合物的感知质感。我们提议，DeepNose网络可利用3D分子形状生成高质量的人类嗅觉感知预测，并帮助识别负责气味质感的分子特征。
引用
@article{arxiv.2412.08747,
title = {DeepNose: An Equivariant Convolutional Neural Network Predictive Of Human Olfactory Percepts},
author = {Sergey Shuvaev and Khue Tran and Khristina Samoilova and Cyrille Mascart and Alexei Koulakov},
journal= {arXiv preprint arXiv:2412.08747},
year = {2024}
}
备注
8 pages, 8 figures, to be appear in the proceedings of Asilomar Conference on Signals, Systems, and Computers (ACSSC 2024)