SCENT：将质谱与分子结构对齐用于嗅觉感知
机器学习
2026-05-27 v1
摘要
从分子结构预测人类嗅觉感知的研究取得了显著进展，但这些方法在推断时需要明确的化学结构，而在实际感知场景中该信息不可用。我们通过探索直接电喷雾质谱 (EI-MS)，这是一种在秒级获取化学信息片刻的感知技术，作为嗅觉预测的替代输入模态。我们贡献 Spectrum-to-Chemical Embedding alignmeNT (SCENT)，一个多模态对比学习框架，将 EI-MS 表示与预训练化学结构嵌入对齐，而在推断时仅需质谱光谱。我们在多标签气味描述预测任务上，SCENT 显著优于仅基于 MS 的基线方法，并实现了与基于结构的模型相当的性能，尽管在测试时不需要明确的分子结构。学习得到的表示还能更好地逼近连续的人类感知评级，并推广到真实世界实验室测量的质谱光谱上，表明跨模态对齐是将分析质谱锚定在化学语义中的有效策略。
引用
@article{arxiv.2605.27009,
title = {SCENT: Aligning Mass Spectra with Molecular Structure for Olfactory Perception},
author = {Ziqi Zhang and Eunyeong Jin and Miguel Vasco and Farzaneh Taleb and Nona Rajabi and Alexandra Gutmann and Jonathan Williams and Antônio H. Ribeiro and Danica Kragic},
journal= {arXiv preprint arXiv:2605.27009},
year = {2026}
}