La correspondance entre la structure moléculaire et la perception olfactive constitue un défi majeur en neurosciences de l’odorat. Nous avons utilisé des réseaux de neurones à graphes pour générer une carte odorante principale (POM, Principal Odor Map) qui préserve les relations perceptuelles et permet de prédire la qualité olfactive pour des composés odorants auparavant non caractérisés. Le modèle s’est révélé aussi fiable qu’un humain dans la description de la qualité olfactive : sur un ensemble de validation prospective comprenant 400 composés odorants hors échantillon, le profil odorant généré par le modèle s’est rapproché davantage de la moyenne du panel d’évaluation que la médiane des juges humains. En appliquant des transformations simples, interprétables et fondées sur des principes théoriques, la POM a surpassé les modèles de chimoinformatique sur plusieurs autres tâches de prédiction olfactive, indiquant que la POM a efficacement encodé une carte généralisée des relations structure-odorat. Cette approche ouvre ainsi la voie à une prédiction olfactive généralisée et pave la voie vers la numérisation des odeurs.