「嗅ぐ」ことができるAIが登場、その作業量は70年間働き続ける臭気評価者に匹敵する！

内容概要: 匂いは常に私たちの周りに存在しています。しかし、匂いを正確に表現するのは困難です。最近、Google Researchの子会社であるOsmoがグラフニューラルネットワークをベースにした匂い分析AIを開発しました。化学分子の構造に基づいてその匂いを予測することができます。研究者らはこのAIに基づいて、主な匂いのスペクトルをマッピングし、化学構造と匂いのマッピングを確立しました。これは知覚研究のための新しい方法を提供することが期待されています。

神経科学研究における基本的な問題は、外部刺激の物理的特性を感覚知覚にマッピングすることです。

視覚において、色は波長のマッピングです。聴覚において、ピッチは周波数のマッピングです。しかし、嗅覚においては、匂いと物質との対応関係を確立することは困難です。

現時点では、いくつかの基本的な匂いを抽出し、香りの輪を描き、それらの基本的な匂いを使ってより複雑な匂いを形成することしかできません。

図1: 臭気ホイールの模式図

しかし、この大まかな分類は科学的研究に使用するのは困難です。臭気センサーなどの技術はすでに臭気を監視するために存在していますが、これらのセンサーはまだ特定の臭気を識別することしかできません。既存の臭気識別では、多くの場合、依然として臭気評価者の参加が必要であり、このプロセスは時間がかかり、再現性が低いです。

最近、Google Research の部門である Osmo が、グラフ ニューラル ネットワーク (GNN) に基づく匂い分析 AI を開発しました。化学分子の構造に基づいてその匂いを説明できます。このモデルは、化学分子の 53% と匂い記述子の 55% を判断する点で人間を上回りました。最後に、研究者はこのモデルを使用して、主要な臭気スペクトルマップ POM (Principle Odor Map) を描きました。この結果は『サイエンス』誌に掲載されました。

関連する研究はScienceに掲載されています。リンク: https://www.science.org/doi/full/10.1126/science.ade4401

実験プロセス:

1. GNNモデルは複数のアーキテクチャで安定している

匂いは本質的に、空気中の化学分子に対する人間の知覚です。したがって、化学分子の構造が匂いに影響を与えます。 GNN では、化学分子の構造が分析され、統合されて、分子全体を表すグラフが形成されます。

分子構造がモデルに入力されると、GNN は特定の匂いのさまざまな化学構造の重みを最適化し、最終的に予測層を通じて分子の匂いを判断し、対応する匂い記述子を出力します。

図2: GNNモデルの概略図

研究者らは、Good Scents と Leffingwell & Associates のデータベース (GS-LF データベース) を組み合わせて、5,000 個の分子のデータベースをモデルとして選択しました。各分子は、チーズ、フルーティーなど、複数の匂いで表現できます。

図3: GS-LFデータベース内の分子の一部

その後、GS-LF データベースは 8:2 の比率でトレーニング セットとテスト セットに分割され、トレーニング セットはさらに 5 つのクロス検証サブセットに分割されました。

ベイズ最適化アルゴリズムを使用して、データを相互検証し、GNN モデルのハイパーパラメータを最適化しました。最適化後、GNN モデルは複数のアーキテクチャで安定して動作し、クロス検証セットで最高の AUROC は 0.89 に達しました。

2. GNNモデルは匂い予測において人間を上回る

モデルが他の分子を区別する能力を検証するために、研究者らは GNN モデルと人間のグループに対して臭気テストを実施しました。

図4: 2,3-ジヒドロベンゾフラン-5-カルボキシアルデヒドの臭気の異なるモデルによる判定

A: GNN モデル。

B: RFモデル;

C: 人間グループ

D: 異なる評価者による 2,3-ジヒドロベンゾフラン-5-カルバルデヒドの臭気の評価。

分子の 53% については、GNN モデルの臭気予測結果が人間グループの中央値を上回りました。最も高度なアルゴリズムである、カウントベース フィンガープリント (cFP) に基づくランダム フォレスト モデル (RF) は、分子臭予測のわずか 41% で人間グループを上回りました。

図5: 異なるモデルからの予測と人間グループの平均との相関

その後、研究者らは GNN モデルの予測を匂いの記述子に分類しました。ムスクを除いて、分子臭に対するGNNモデルの予測結果はすべて人間グループの誤差分布内にあり、30の臭気記述子の予測結果において人間グループの中央値を上回っています。

図6: GNNモデル、RFモデル、人間グループの異なる分子に対する判定結果

GNN モデルの予測結果は分子の構造によって影響を受けます。そのため、硫黄基を含むニンニク臭やアミンを含む魚臭に対しては、GNN モデルの予測精度が高くなります。ムスクには、マクロ環式、多環式、ニトロ、ステロイド、線状という少なくとも 5 つの異なる構造が含まれているため、GNN モデルの予測結果は最悪です。

人間グループのパフォーマンスは親しみやすさによって影響を受けました。ナッツ、ニンニク、チーズなどの一般的な食品の香りに対する判断はより一貫していたが、ムスクや干し草に対する判断には大きな違いがあった。

同時に、トレーニング セット内の記述子の数も、GNN モデルによる特定の匂いの予測に影響します。発生回数が十分に多い場合、GNN モデルは、フルーティーな風味、花のような風味、甘い風味などの複雑な構造を比較的正確に予測できます。

図7: GNNモデルの予測結果と人間グループの平均との相関に対するトレーニングデータの影響

ただし、出現頻度の低いフレーバーの場合、GNN モデルの精度は二極化します。魚臭、ミント、樟脳については予測精度が高かったが、オゾン、酢酸、発酵臭については判定が悪かった。

3. GNNモデルは主な匂いのスペクトルを描画する

GNN モデルのパフォーマンスを検証した後、研究者らはさらにそれをさまざまな嗅覚タスクに使用しました。

まず、研究者たちは、類似した構造を持つ分子を識別するモデルの能力をテストしました。モデルが分子の匂いを認識したら、構造は似ているが異なる匂いを持つ分子と、構造は異なるが匂いが似ている分子の匂いを判断する必要があります。この異常な構造と匂いの関係については、GNN モデルの精度は 50% であるのに対し、RF モデルでは 19% しかありません。

図8: 構造や匂いが既知の分子に近いトリプレットのグループ

安定した構造と匂いの関係を得た後、研究者たちは大規模な匂いのスペクトルを描くことを試み始めました。彼らは約50万個の分子について一次臭気マップ（POM）を完成させました。これらの分子は科学分野ではまだ知られておらず、そのほとんどは合成さえされていません。

しかし、スペクトログラム内のそれらの位置は GNN モデルによって直接計算できるため、大規模な匂いスペクトルを描くことができます。訓練を受けた人間の評価者がこれらの分子の匂いを評価するには、約 70 年間の継続的な作業が必要になります。

図9: 主な臭気スペクトル

図では、各分子臭の座標は GNN モデルによって決定され、その色の RGB 値は予測された臭気マトリックスの最初の 3 次元の座標に対応しています。

4. プルースト効果：匂いと記憶のつながり

特定の香りを嗅ぐと、過去の記憶が思い出され、その香りによってその記憶がより鮮明で感情的なものになります。作家マルセル・プルーストは『失われた時を求めて』の中で、語り手が紅茶に浸したマドレーヌの香りを嗅ぐと「過去が甦る」と述べています。そのため、この現象はプルースト効果とも呼ばれます。

嗅覚は他のどの感覚よりも神経系の記憶と密接に関係しています。これは、脳の感情と記憶の領域に直接接続されている唯一の感覚システムです。嗅細胞が活性化されると、神経インパルスが梨状皮質に直接伝達されます。この脳領域には、恐怖やその他の感情を司る扁桃体と、記憶を司る海馬傍回が含まれます。

図10: 嗅覚回路の構成要素

一次嗅覚皮質：一次嗅覚皮質;

扁桃体: 扁桃体;

海馬：タツノオトシゴ。

匂いと記憶と感情の間に密接なつながりがあるからこそ、香水は人々が外出して人と会うときに欠かせないものとなっているのです。相手はあなたに再会したときにあなたの名前を呼ぶことはできないかもしれませんが、この香りを嗅ぐと、あなたと出会ったときの光景をきっと思い出すでしょう。

AIの助けにより、人々は分子構造と匂いの関係をより深く理解できるようになります。いつか、私たちが最も馴染みのある味を本当に混ぜることができるようになるかもしれません。ボトルのキャップを開けると、タイムマシンに乗って過去に戻ることができます。

参考リンク:

[1]https://perfumersupplyhouse.com/2014/01/09/fragrance-creation-wheels-for-you/

[2]https://www.slideserve.com/cora-schroeder/ functional-neuroanatomy

著者 |雪才

編集者 |サンヤン

この記事はHyperAI WeChatパブリックプラットフォームで最初に公開されました〜