Die Zuordnung molekularer Struktur zu Geruchswahrnehmung stellt eine zentrale Herausforderung in der Olfaktorik dar. Wir haben Graph Neural Networks eingesetzt, um eine Hauptgeruchskarte (Principal Odor Map, POM) zu generieren, die perceptuelle Beziehungen bewahrt und die Vorhersage der Geruchseigenschaften bisher nicht charakterisierter Geruchsstoffe ermöglicht. Das Modell erwies sich in der Beschreibung der Geruchseigenschaften so zuverlässig wie ein Mensch: Auf einer prospektiven Validierungsgruppe von 400 bisher unbekannten Geruchsstoffen passte das vom Modell generierte Geruchsmuster enger zum Mittelwert der geschulten Panelistengruppe als der Medianwert eines einzelnen Panelisten. Durch die Anwendung einfacher, interpretierbarer und theoretisch fundierter Transformationen übertraf die POM chemoinformatische Modelle bei mehreren weiteren Aufgaben zur Geruchsvorhersage, was darauf hindeutet, dass die POM eine generalisierte Karte der Struktur-Geruch-Beziehungen erfolgreich kodiert. Dieser Ansatz ermöglicht weitreichend die Geruchsvorhersage und ebnet den Weg zur Digitalisierung von Gerüchen.