科学家们取得了一项重大突破，他们建立了一种工具，可以仅根据分子的结构来预测分子的气味特征。它可以识别看起来不同但气味相同的分子，以及看起来非常相似但气味完全不同的分子。该研究发表在《科学》杂志上。

雷丁大学简·帕克教授表示：“视觉研究有波长，听觉研究有频率——两者都可以通过仪器测量和评估。但是嗅觉呢?我们目前没有办法测量或准确预测气味。”分子的结构，基于其分子结构。”

“你可以用现有的分子结构知识了解这么多，但最终你会面临许多气味和结构不匹配的例外情况。这就是困扰以前嗅觉模型的原因。这个新生成的机器学习的奇妙之处在于模型的优点是它能够正确预测这些异常的气味。”

该研究应用机器学习来创建“气味图”，这对于食品和香料行业的合成化学家的工作来说将具有无价的价值。它还可能为生产更可持续的香料和香料开辟途径。

帕克教授说：“作为一名风味化学家，我在气味方面研究了很多年，主要依靠我自己的鼻子来描述香气。

“该图不仅适用于已知的气味剂，也适用于结构非常相似的气味剂。它可以描述具有不同分子特征的大量不相关分子。

“对于食品和香料领域的研究人员来说，这开辟了数千甚至数百万种潜在气味剂的未开发来源。”

帕克教授与宾夕法尼亚大学莫内尔化学感官中心、亚利桑那州立大学和Osmo(一家从谷歌机器学习实验室分离出来的公司)的同事合作。

雷丁大学的作用是评估用于测试人工智能的样本的纯度。我们验证了用于测试人工智能模型预测的化合物的纯度。气相色谱法使我们能够分离痕量杂质和目标分子，因此，当它们从仪器中一一洗脱时，我们可以闻到所有单个分子的气味，并确定任何痕量化合物的气味是否令人难以忍受(或掩盖)目标分子的气味。

“在50个测试的样品中，我们确实发现了一些含有明显杂质的样品。在一个案例中，我们闻到的杂质是用于合成目标分子的微量试剂，并赋予样品独特的黄油气味，盖过了气味剂的味道。我们实际上对此感兴趣。在这种情况下，我们能够解释为什么专家小组将这种气味描述为黄油味，但这与模型的预测不符，而我们对纯化合物的描述却符合。”

一旦人工智能接受了数据训练，它预测新型化合物气味的能力就非常出色。如果工作正常，它应该与一组人类的平均气味得分相匹配，它确实做到了。

帕克博士说：“作为合成化学的工具，这将是无价的。我们可以用它来寻找新的香气。它为筛选大量分子中的香气提供了可能性，就像制药行业筛选新药一样”。

版权说明：本站所有作品图文均由用户自行上传分享，仅供网友学习交流。若您的权利被侵害，请联系我们

标签：