Feb, 2024

高效香氛创造的分子生成和优化

PDF
TL;DR使用机器学习方法模拟嗅觉体验，通过实验证实香水感知的量化。研究通过建立香水分子结构与人类嗅觉感知的混合模型来实现，该模型包含利用图和生成性神经网络的人工智能分子生成器、气味强度的量化和预测，以及为所需香气精心调配最佳溶剂和分子组合。此外，基于热力学的模型建立了嗅觉感知和液相浓度之间的联系。该方法使用迁移学习，并根据蒸气压力和香气注释选择最合适的分子。最终，通过数学优化问题来最小化新的嗅觉体验与目标体验之间的差异。通过使用现有的实验数据复制两种不同的嗅觉体验来验证了该方法。
machine learningolfactory experiencesperfume perceptionmolecular structureolfactory perception
发现论文，激发创造
  • 香味机器学习：学习小分子的可泛化感知表示

    本研究利用图神经网络方法，提出了一种基于分子结构与气味之间关系的定量分析模型，并通过实验表明我们的方法在气味分类上较之以往具有更高的性能，同时证明图神经网络的嵌入学习能够提取出有意义的气味空间向量表示，对气味的相关应用具有启示性。

    Oct, 2019

  • 化学香气对的嗅觉标签预测

    深度学习技术在香气化学品上的应用，能够比人工专家更准确地预测嗅觉特性。本研究旨在应用现有和新颖的方法，对由配对分子组成的数据集进行分析，提出一个公开可用的模型，能够准确预测由香气化学品混合物产生的非线性特性。

    Dec, 2023

  • 两层扩散和多属性优化：一种生成具有理想特性分子的新方法

    本文介绍了一种生成具有理想属性的分子的新方法，该方法通过在分子和分子片段上执行扩散来获取混合高斯分布，并使用新颖的基于电子效应的分解方法优化多个分子属性，从而在人工智能驱动的药物设计和发现方面具有重要的应用前景。

    Oct, 2023

  • Mol-PECO: 一种利用分子结构预测人类嗅觉感知的深度学习模型

    本文提出了一个名为 Mol-PECO 的深度学习模型，通过对分子结构进行编码来预测气味知觉，其更新的原子嵌入通过方向图卷积网络 (GCN) 对拉普拉斯特征函数进行建模作为位置编码和库仑矩阵进行原子坐标和电荷编码。利用 8,503 种分子的全面数据集，Mol-PECO 直接在 118 个气味描述符上取得了 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 (0.761 的 AUROC) 和邻接矩阵的 GCN (0.678 的 AUROC)。Mol-PECO 学到的嵌入也捕获了有意义的气味空间，全球聚类描述符和相似气味的局部检索。本文的工作可以促进对嗅觉感知和机制的理解和解码。

    May, 2023

  • 嗅觉中的数据科学

    神经感知技术的进展使得我们能够以极大的细节观察嗅觉过程。本文从数据科学和人工智能的角度概念化嗅觉，将气味物质的特性与其在嗅觉系统中自鼻子到大脑的感应和分析联系起来。在与视觉感知的区别中，我们论述了嗅觉所面临的独特测量挑战，包括刺激的复杂性、感官装置的高维度特性，以及 “真实实地” 的界定。面对这些挑战，我们认为气味物质与受体间的相互作用对于嗅觉理论的发展具有核心地位。这种理论可能会在工业应用中得到广泛应用，并增加我们对嗅觉的理解，在更长远的未来，也会增进我们对其他感知和语言的理解。作为数据的初始用例，我们提出了使用基于机器学习的分类方法对记录在小鼠嗅觉球中的气味神经反应进行分类的结果。

    Apr, 2024

  • 深度学习在分子设计中的应用 - 现状综述

    文献的主要内容是深度生成建模技术被应用于分子生成和优化，包括使用递归神经网络、自动编码器、生成对抗网络和强化学习等四种技术，并探讨了这些技术的数学基础和优缺点，内容涉及到分子表示和设计中的多个方面。

    Mar, 2019

  • 神经形态嗅觉电路中的气味识别和推广的局限性

    神经形态计算是一种能够显著降低机器学习和人工智能功耗的少数几种方法之一。本文提出了一种在神经型架构上运行的受哺乳动物嗅球电路启发的气味学习算法，并在评估其对不同气味感知的快速在线学习和识别性能时，使用了一组气体传感器的记录数据并通过脉冲噪声进行破坏。本文复制了部分研究，并发现了影响某些结论的局限性，其包括使用的数据集存在传感器漂移和非随机测量协议，从而在气味识别基准测试中具有有限的用途。此外，我们发现该模型在对相同气体的重复展示上具有推广能力的限制。我们证明该研究所涉及的任务可以通过简单的哈希表方法解决，匹配或超过了报告中的准确性和运行时间。因此，需要显示模型的验证超出恢复学习数据样本的范畴，特别是其对气味识别任务的适用性。

    Sep, 2023

  • 生成模型提出的分子可合成性

    新型深度学习算法在提高新药发现效率方面表现出色，但其缺乏可合成性的信息，导致其合成难度大幅上升，需要新算法的开发来加以解决。

    Feb, 2020

  • 潜在化学空间搜索用于插件多目标分子生成

    本研究通过开发一种多功能的 “插件” 分子生成模型，结合多个目标相关性、药物相似性和可合成性，来解决多目标生成、模型适应性以及药物发现实际应用中的挑战。在药物发现的背景下，我们改进了粒子群优化算法（PSO），通过比较实验发现 PSO-ENP 是多目标分子生成和优化的最佳变体。该模型还整合了一种新颖的目标配体亲和力预测器，通过支持三维信息和改善合成可行性来提高模型的效用。实例研究聚焦于生成和优化类似药物的大型海洋天然产物，突显了 PSO-ENP 的有效性，并展示了其在实际药物发现应用中的巨大潜力。

    Apr, 2024

  • 基于强化学习的可扩展基于碎片的三维分子设计

    本文提出了一种基于强化学习框架的分层代理方法，能够在三维空间中逐步放置分子亚结构，从而高效地学习如何建造具有不同分布的分子，包括药物样分子、有机发光二极管分子和生物分子，只利用能量考虑即可。

    Feb, 2022