从分子到混合物：基于归纳偏置学习嗅觉混合物相似性表示
机器学习
2025-01-28 v1 人工智能
摘要
嗅觉——即分子如何被感知为人类所感知的气味——仍不为人们所理解。最近引入了主导气味图（POM）来数字化单个化合物的嗅觉特性。然而，现实中的气味并非纯粹的单个分子，而是复杂的混合物，其表示相对不被探索。本文引入 POMMix，将 POM 扩展用于表示混合物。我们的表示在问题空间的层次结构中依据其对称性构建：(1) 使用图神经网络构建分子嵌入，(2) 使用注意力机制将分子表示聚合为混合物表示，(3) 使用余弦预测头对编码混合物嵌入空间中的嗅觉感知距离。POMMix 在多个数据集上实现了状态-of-the-art 预测性能。我们还评估了该表示在应用于未见分子和混合物规模时的泛化能力。我们的工作推进了数字化嗅觉的努力，凸显了领域专业知识与深度学习在稀疏数据情境下构建表达性表示之间的协同作用。
引用
@article{arxiv.2501.16271,
title = {From Molecules to Mixtures: Learning Representations of Olfactory Mixture Similarity using Inductive Biases},
author = {Gary Tom and Cher Tian Ser and Ella M. Rajaonson and Stanley Lo and Hyun Suk Park and Brian K. Lee and Benjamin Sanchez-Lengeling},
journal= {arXiv preprint arXiv:2501.16271},
year = {2025}
}
备注
25 pages, 12 figures