Mol-PECO：一种从分子结构预测人类嗅觉感知的深度学习模型
机器学习
2023-05-23 v1 人工智能
生物大分子
神经元与认知
摘要
虽然由光波长和声音频率传递的视觉和听觉信息已被解码，但预测由气味剂组合编码的嗅觉信息仍然具有挑战性，因为气味和气味剂的感知空间未知且可能不连续。在此，我们开发了一个名为Mol-PECO（通过库仑矩阵的位置编码进行分子表示）的深度学习模型，用于从分子结构预测嗅觉感知。Mol-PECO通过定向图卷积网络（GCN）更新学习的原子嵌入，该网络将拉普拉斯特征函数建模为位置编码，以及编码原子坐标和电荷的库仑矩阵。使用包含8,503个分子的综合数据集，Mol-PECO在118个气味描述符上直接实现了0.813的接收者操作特征曲线下面积（AUROC），优于分子指纹的机器学习（AUROC 0.761）和邻接矩阵的GCN（AUROC 0.678）。Mol-PECO学习的嵌入还捕获了一个有意义的嗅觉空间，具有描述符的全局聚类和类似气味剂的局部检索。我们的工作可能促进对嗅觉和机制的理解和解码。
引用
@article{arxiv.2305.12424,
title = {Mol-PECO: a deep learning model to predict human olfactory perception from molecular structures},
author = {Mengji Zhang and Yusuke Hiki and Akira Funahashi and Tetsuya J. Kobayashi},
journal= {arXiv preprint arXiv:2305.12424},
year = {2023}
}
备注
17 pages, 8 figures