感官科学在解释一些物理现象与典型的知觉体验之间的关系方面已经取得了长足的进展，例如特定的光波长，或者以一定频率振动的空气柱。然而，嗅觉的本质一直以来都很难捉摸。人们一直没有办法通过一个化合物的物理性质或分子的结构式来感知物体的气味。

研究人员利用一种称为图神经网络的深度学习算法构建了一个模型，可以将化学结构映射到气味描述符上。该模型成功预测了一组人类对新气味的描述，并且可能是实现气味数字化的重要一步。这项研究成果发表在8月31日的Science杂志上。

“这篇论文是从气味物质的化学结构预测气味的一个里程碑，”并没有参与该研究的哈特福德大学神经计算教授迈克尔·施穆克尔（Michael Schmuker）说道。他表示，尽管气味映射应该是有用的，这项研究“取得了一次飞跃”，但论文所暗示的令人兴奋的可能性，比如通过互联网分享气味，还需要更多的工作。

该模型使用了一种特定类型的图神经网络，称为消息传递神经网络。它使用了一个包含超过5000种分子的香料行业数据集进行训练，这些分子的结构被转化为图形，并附有专业的气味注释。研究小组的部分成员在该研究开始时在谷歌工作，其中一些人后来于2023年成立了一个分支机构Osmo，得到了谷歌风投Alphabet的支持。

“图神经网络的预测能力使我们能够完成这项工作，”Osmo的首席执行官、该论文的共同作者亚历克斯·威尔切科（Alex Wiltschko）说道。

从长远来看，Osmo希望以与图像和声音相同的方式数字化气味。全面的气味数字化将有助于开发出生产或分析气味的新方法，从而带来各种新产品和技术，例如医学测试、治疗或假肢。

该模型产生了一个空间表示，显示了应用于不同分子的气味描述符之间的相似性。该模型具有超过250个维度，比类似颜色的表示更复杂。该模型可以将一种新分子的化学结构，即未包含在训练集中的物品，放置在地图上，从而预测出其可能的气味描述。研究团队称之为主要气味图，对于嗅觉来说是前所未有的。“这个主要气味图是使计算机真正具有嗅觉的第一步，”Wiltschko说道。

研究人员对嗅觉的主观性和个体差异有很好的认识。“在讨论模型表现如何时，难点在于我们没有客观的真实情况，”共同作者、莫奈尔化学感官中心和宾夕法尼亚大学的神经科学家、Osmo的科学顾问Joel Mainland说道。

为了验证模型的性能，评估了400种新的分子，并与接受过训练的一个由15人组成的小组对55种气味标签进行评分进行比较。参考样本是杂货店的厨房调料、超市的零食（如绿苹果口味的水果糖）和特别采购的香气的混合物。例如，"动物"标签是用一瓶马汗作为代表。“它有一个奇妙的气味，非常复杂和有趣，”Mainland说道。

模型的性能并不完美，但有53%的时间模型比中位数参与者更接近小组评价。换句话说，Mainland解释说，用该模型替换一个小组成员会改进小组的描述。

进一步的研究领域包括气味的强度；多种基本气味分子的混合和浓度；在不给定分子结构的情况下数字化真实世界的气味；以及改进描述能力。

小组成员将一个分子描述为“尖锐、甜美、烤制、奶油状”。而调香师则将同一种气味描述为：“滑雪小屋；没有火的壁炉。”