用于气味的机器学习：学习小分子的泛化感知表征
机器学习
2019-10-28 v2 机器学习
化学物理
摘要
预测分子结构与其气味之间的关系仍是一项艰巨且历时数十年的任务。这一问题被称为定量结构-气味关系（QSOR）建模，是化学中的一个重要挑战，影响着人类营养、合成香料制造、环境以及感觉神经科学。我们提出将图神经网络用于 QSOR，并表明它们在由嗅觉专家标注的新数据集上显著优于先前的方法。进一步的分析表明，图神经网络学习到的嵌入捕获了结构与其气味之间关系的有意义气味空间表征，这通过其在两项具有挑战性的迁移学习任务上的强劲表现得以证明。机器学习已经对视觉和听觉产生了巨大影响。基于这些将图神经网络用于分子性质的早期结果，我们希望机器学习最终能像已对视觉和听觉所做的那样，也为嗅觉做出贡献。
引用
@article{arxiv.1910.10685,
title = {Machine Learning for Scent: Learning Generalizable Perceptual Representations of Small Molecules},
author = {Benjamin Sanchez-Lengeling and Jennifer N. Wei and Brian K. Lee and Richard C. Gerkin and Alán Aspuru-Guzik and Alexander B. Wiltschko},
journal= {arXiv preprint arXiv:1910.10685},
year = {2019}
}
备注
18 pages, 13 figures