論文の概要: Exploring Molecular Odor Taxonomies for Structure-based Odor Predictions using Machine Learning

• arxiv url: http://arxiv.org/abs/2508.09217v1
• Date: Mon, 11 Aug 2025 18:56:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-14 20:42:00.628285
• Title: Exploring Molecular Odor Taxonomies for Structure-based Odor Predictions using Machine Learning
• Title（参考訳）: 機械学習を用いた構造に基づく臭気予測のための分子臭気分類の探索
• Authors: Akshay Sajan, Stijn Sluis, Reza Haydarlou, Sanne Abeln, Pasquale Lisena, Raphael Troncy, Caro Verbeek, Inger Leemans, Halima Mouhib,
• Abstract要約: 構造に基づく臭気予測のための機械学習モデルの予測性能は、専門家とデータ駆動臭気分類の両方を用いて改善できることを示す。 専門的な分類法は意味的および知覚的類似性に基づいており、一方、データ駆動型分類法は匂い記述子のクラスタリング共起パターンに基づいている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: One of the key challenges to predict odor from molecular structure is unarguably our limited understanding of the odor space and the complexity of the underlying structure-odor relationships. Here, we show that the predictive performance of machine learning models for structure-based odor predictions can be improved using both, an expert and a data-driven odor taxonomy. The expert taxonomy is based on semantic and perceptual similarities, while the data-driven taxonomy is based on clustering co-occurrence patterns of odor descriptors directly from the prepared dataset. Both taxonomies improve the predictions of different machine learning models and outperform random groupings of descriptors that do not reflect existing relations between odor descriptors. We assess the quality of both taxonomies through their predictive performance across different odor classes and perform an in-depth error analysis highlighting the complexity of odor-structure relationships and identifying potential inconsistencies within the taxonomies by showcasing pear odorants used in perfumery. The data-driven taxonomy allows us to critically evaluate our expert taxonomy and better understand the molecular odor space. Both taxonomies as well as a full dataset are made available to the community, providing a stepping stone for a future community-driven exploration of the molecular basis of smell. In addition, we provide a detailed multi-layer expert taxonomy including a total of 777 different descriptors from the Pyrfume repository.
• Abstract（参考訳）: 分子構造から匂いを予測するための重要な課題の1つは、我々の匂い空間と基礎となる構造と匂いの関係の複雑さに対する限定的な理解である。 ここでは、構造に基づく臭気予測のための機械学習モデルの予測性能を、専門家とデータ駆動臭気分類の両方を用いて改善できることを示す。 専門的な分類法は意味的および知覚的類似性に基づいており、一方、データ駆動分類法は、準備されたデータセットから直接、匂い記述子のクラスタリング共起パターンに基づいている。 どちらの分類法も、異なる機械学習モデルの予測を改善し、匂い記述子間の既存の関係を反映しない記述子のランダムなグループ化よりも優れる。 本研究は, 両分類体系の品質を, 異なる臭気クラスにまたがる予測性能を通じて評価し, 臭気構造関係の複雑さを強調し, 香料に使用される真珠臭気を呈示することにより, 分類体系内の潜在的な不整合を識別する深度誤差解析を行った。 データ駆動型分類は、専門家の分類を批判的に評価し、分子臭空間をよりよく理解することを可能にする。 両方の分類体系と完全なデータセットがコミュニティで利用可能であり、将来のコミュニティ主導で匂いの分子基盤を探究するための足掛かりとなっている。 さらに、Pyrfumeリポジトリから合計777の異なる記述子を含む、詳細な多層の専門家分類を提供する。

関連論文リスト

• DiffMS: Diffusion Generation of Molecules Conditioned on Mass Spectra [60.39311767532607]
  本稿では,DiffMSを提案する。DiffMS,式制限付きエンコーダ・デコーダ生成ネットワークは,このタスクにおける最先端性能を実現する。 遅延埋め込みと分子構造をブリッジするロバストデコーダを開発するために,フィンガー構造対による拡散デコーダの事前訓練を行う。 確立されたベンチマーク実験により、DiffMSはデノボ分子生成における既存のモデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-02-13T18:29:48Z)
• Molecular Odor Prediction Based on Multi-Feature Graph Attention Networks [11.912107063761939]
  定量的構造・臭気関係タスクは、分子構造とそれに対応する臭気の関係を予測することを伴う。 グラフ注意ネットワークを用いて分子構造をモデル化し,局所的特徴と大域的特徴の両方を捉えるQSORの手法を提案する。 提案手法はQSOR予測タスクにおいて明らかな利点を示し, 深層学習のケミノフォマティクスへの応用に関する貴重な知見を提供する。
  論文  参考訳（メタデータ） (2025-02-03T15:11:24Z)
• Molecular Odor Prediction with Harmonic Modulated Feature Mapping and Chemically-Informed Loss [11.654144823736143]
  本稿では,新しい特徴マッピング法と分子アンサンブル最適化損失関数を提案する。 本手法は,様々な深層学習モデルにおいて,分子臭予測の精度を著しく向上させることができる。
  論文  参考訳（メタデータ） (2025-02-03T12:17:51Z)
• Tree-based variational inference for Poisson log-normal models [47.82745603191512]
  階層木は、しばしば近接基準に基づいてエンティティを組織するために使用される。 現在のカウントデータモデルは、この構造化情報を利用していない。 本稿では,PLNモデルの拡張としてPLN-Treeモデルを導入し,階層的カウントデータをモデル化する。
  論文  参考訳（メタデータ） (2024-06-25T08:24:35Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Molecule Generation and Optimization for Efficient Fragrance Creation [0.0]
  この研究は、嗅覚体験を再現する機械学習中心のアプローチを導入する。 主な貢献は、香水分子構造と人間の嗅覚を結合するハイブリッドモデルである。 この方法論は、利用可能な実験データを用いて、2つの異なる嗅覚経験を再現することによって検証される。
  論文  参考訳（メタデータ） (2024-02-19T13:32:30Z)
• Olfactory Label Prediction on Aroma-Chemical Pairs [0.2749898166276853]
  本稿では,アロマケミカルのブレンドから発生する臭気特性を正確に予測できるグラフニューラルネットワークモデルを提案する。 本稿では、ラベル付き分子対からなるデータセットに対して、既存のアプローチと新しいアプローチの両方を適用する。
  論文  参考訳（メタデータ） (2023-12-26T17:18:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。