通过图生成模型探索香气空间并预测气味
机器学习
2025-02-03 v1
摘要
我们探索了一套生成式建模技术，以高效地导航和探索气味及更广阔化学空间的复杂景观。不同于传统方法，我们不仅生成分子，还能预测气味可接受度，ROC AUC 分数可达 0.97，并为生成的分子分配可能的气味标签。我们使用机器学习技术将气味可接受度与分子的理化特性相关联，并利用 SHAP（SHapley Additive exPlanations）展示函数的可解释性。整个过程涉及四个关键阶段：分子生成、严格的分子有效性检查、香料可接受度筛选以及对生成分子的气味预测。通过公开代码和训练好的模型，我们旨在促进该研究在香料发现和嗅觉研究等应用领域的更广泛采用。
引用
@article{arxiv.2501.18777,
title = {Navigating the Fragrance space Via Graph Generative Models And Predicting Odors},
author = {Mrityunjay Sharma and Sarabeshwar Balaji and Pinaki Saha and Ritesh Kumar},
journal= {arXiv preprint arXiv:2501.18777},
year = {2025}
}