嗅覚認識における多様なタスクを統合する主要なオドールマップ

臭覚における分子構造と臭覚認識の対応付けは、重要な課題の一つである。本研究では、グラフニューラルネットワークを用いて、知覚的な関係性を保持しつつ、未評価の臭気物質の臭覚品質を予測可能な主要臭覚地図（Principal Odor Map: POM）を構築した。このモデルは、臭覚品質の記述において人間と同等の信頼性を示した。400種の未知の臭気物質からなる前向き検証データセットにおいて、モデルが生成した臭覚プロファイルは、訓練パネルの平均値と、パネルistの中央値よりも高い類似度を示した。さらに、理論的に根拠を持つ単純かつ解釈可能な変換を適用することで、POMは他の臭覚予測タスクにおいて、従来の化学情報学モデルを上回る性能を発揮した。これにより、POMが構造-臭覚関係の一般化された地図を効果的に表現していることが示された。本手法は広範な臭覚予測を可能とし、臭覚のデジタル化への道を開くものである。