論文の概要: Learning Perceptual Geometry of Natural Odor Mixtures from LLM-Derived Descriptors
- arxiv url: http://arxiv.org/abs/2610.17164v1
- Date: Mon, 12 Oct 2026 17:41:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.430393
- Title: Learning Perceptual Geometry of Natural Odor Mixtures from LLM-Derived Descriptors
- Title（参考訳）: LLM-Derivedディスクリプタによる天然臭気混合物の知覚幾何学学習
- Abstract要約: そこで本研究では,分子組成と自然臭の知覚的類似性の関係について検討した。
8000種以上の分子成分を含む1200種以上の揮発性複合食品混合物のデータベースを使用する。
言語由来の表現は、保持された混合類似性を予測するのに役立つ。
- 参考スコア（独自算出の注目度）: 2.5782420501870296
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The relationship between odor chemistry and perception remains incompletely understood. Many existing studies focus on the perception of single molecules, whereas natural odors contain tens to hundreds of components, adding extra layer of complexity to percept formation. Here, we explore the relationship between molecular composition and perceived similarity in natural odor objects. We study this using a database of more than 1,200 volatile-compound-in-food mixtures containing more than 8,000 molecular components, and use large language models (LLMs) as a scalable surrogate for deriving mixture-level perceptual descriptions. We find that language-derived representations provide useful supervision for predicting held-out mixture similarities from molecular composition. The prediction was consistently strongest when perceptual targets were derived from chemosensory prompts than from other sensory prompts. Further, during the mixture-level training, we learned low-rank molecular embeddings that enabled better prediction of held-out mixture similarities than component-overlap metrics, even for mixture pairs with no shared molecules. Although no single-molecule labels were used during training, the learned molecular geometry showed significant alignment with the independent human odor-descriptor space. Finally, we explored the use of external molecular features in our mixture-similarity prediction task. These features showed modest zero-shot alignment with mixture-level perceptual similarity. They improved prediction under limited supervision but offered little additional predictive benefit with the full training set. Together, these results show that language-derived descriptions can provide scalable supervision for predicting the perceptual organization of complex natural mixtures, contributing to a quantitative understanding of how molecular composition gives rise to odor perception.
- Abstract（参考訳）: 臭気化学と知覚の関係は未解明のままである。
既存の多くの研究は単一分子の知覚に焦点を当てているが、自然臭には数十から数百の成分が含まれており、知覚形成に余分な複雑さが加えられている。
そこで本研究では,分子組成と自然の匂いの知覚的類似性との関係について検討する。
8000以上の分子成分を含む1200種以上の揮発性複合食品混合物のデータベースを用いてこれを研究し、混合レベルの知覚記述を導出するためのスケーラブルなサロゲートとして大規模言語モデル(LLM)を用いた。
言語由来の表現は,分子組成から混合類似性を保留する上で有用な指標であることがわかった。
この予測は、知覚的目標が他の感覚的プロンプトよりも化学感覚的プロンプトから導かれたとき、一貫して強かった。
さらに, 混合レベルのトレーニングにおいて, 共有分子を持たない混合ペアであっても, 成分オーバーラップの指標よりも保持混合類似性の予測がより容易な低ランク分子埋め込みを学習した。
トレーニング中に単一分子ラベルは使用されなかったが、学習された分子構造は、独立したヒトの嗅覚記述体空間と顕著に一致していた。
最後に, 混合相似予測タスクにおける外部分子特性の利用について検討した。
これらの特徴は、混合レベルの知覚的類似性と、控えめなゼロショットアライメントを示した。
彼らは限られた監督の下で予測を改善したが、完全な訓練セットで追加の予測上の利点はほとんど提供しなかった。
これらの結果から、言語由来の記述は複雑な天然混合物の知覚的構造を予測するためのスケーラブルな監視に役立つことが示され、分子組成が匂いの知覚をいかに生み出すかの定量的理解に寄与している。
関連論文リスト
- Decoding Mixture Perception through Computational Modeling of Component Interactions [18.38142844165059]
ウルフアクションは、危険差別、感情経験、記憶形成を行う人にとって重要なチャンネルである。
混合組成物の複雑さ、および濃度依存性飽和効果と受容体特異的アクティベーション閾値は、嗅覚特性を同定する上で大きな課題となる。
混合物の正確な匂い認識のためのバイオインスパイアされた新しい深層学習フレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-10T15:13:19Z) - A Systematic Evaluation of Molecular Mixture Behavior Prediction [0.0]
本稿では,混合確率誤差を純粋成分と相互作用成分(非理想成分)に分解する評価フレームワークを提案する。
強い絶対精度は、非理想的混合行動の回復不良を隠蔽できることを示す。
これらの結果は、未知の分子への移動が、分子混合機械学習における中心的な課題であることを示している。
論文 参考訳（メタデータ） (2026-05-28T09:58:59Z) - AROMMA: Unifying Olfactory Embeddings for Single Molecules and Mixtures [1.9872740012524774]
AROMMAは単一分子と2分子混合体に対する統一的な埋め込み空間を学習するフレームワークである。
AROMMAは、単一分子と分子対のデータセットの両方で最先端のパフォーマンスを達成し、最大19.1%のAUROCを改善した。
論文 参考訳（メタデータ） (2026-01-27T12:54:31Z) - Knowledge-aware contrastive heterogeneous molecular graph learning [77.94721384862699]
分子グラフを不均一な分子グラフ学習(KCHML)に符号化するパラダイムシフトを提案する。
KCHMLは、不均一な分子グラフと二重メッセージパッシング機構によって強化された3つの異なるグラフビュー-分子、元素、薬理学-を通して分子を概念化する。
この設計は、プロパティ予測やドラッグ・ドラッグ・インタラクション(DDI)予測などの下流タスクに対する包括的な表現を提供する。
論文 参考訳（メタデータ） (2025-02-17T11:53:58Z) - From Molecules to Mixtures: Learning Representations of Olfactory Mixture Similarity using Inductive Biases [0.18846515534317265]
ヒトの嗅覚として分子がどのように認識されるかという嗅覚は、いまだに理解されていない。
近年, 単一化合物の嗅覚特性をデジタル化するため, 主臭気マップ (POM) が導入された。
本稿では、混合を表現するためにPOMの拡張であるPOMMixを紹介する。
論文 参考訳（メタデータ） (2025-01-27T18:05:28Z) - 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) - Interactive Molecular Discovery with Natural Language [69.89287960545903]
対象分子を記述・編集するための自然言語を用いた対話型分子設計を提案する。
この課題をより良くするために、実験プロパティ情報を注入することによって強化された知識的で汎用的な生成事前学習モデルChatMolを設計する。
論文 参考訳（メタデータ） (2023-06-21T02:05:48Z) - Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular
Property Prediction [53.06671763877109]
我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。
我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。
複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
論文 参考訳（メタデータ） (2023-02-04T01:32:40Z) - Exploring Chemical Space with Score-based Out-of-distribution Generation [57.15855198512551]
生成微分方程式(SDE)にアウト・オブ・ディストリビューション制御を組み込んだスコアベース拡散方式を提案する。
いくつかの新しい分子は現実世界の薬物の基本的な要件を満たしていないため、MOODは特性予測器からの勾配を利用して条件付き生成を行う。
我々はMOODがトレーニング分布を超えて化学空間を探索できることを実験的に検証し、既存の方法で見いだされた分子、そして元のトレーニングプールの上位0.01%までも生成できることを実証した。
論文 参考訳（メタデータ） (2022-06-06T06:17:11Z) - Federated Learning of Molecular Properties in a Heterogeneous Setting [79.00211946597845]
これらの課題に対処するために、フェデレーションヘテロジニアス分子学習を導入する。
フェデレートラーニングにより、エンドユーザは、独立したクライアント上に分散されたトレーニングデータを保存しながら、グローバルモデルを協調的に構築できる。
FedChemは、化学におけるAI改善のための新しいタイプのコラボレーションを可能にする必要がある。
論文 参考訳（メタデータ） (2021-09-15T12:49:13Z)
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。