Un mapa de olor principal unifica diversas tareas en la percepción olfativa

Área de la Ciencia:

• Química computacional
• La neurociencia
• Aprendizaje automático

Sus antecedentes:

• Predecir la percepción del olor a partir de la estructura molecular es un desafío significativo en la investigación del olfato.
• La comprensión de las relaciones estructura-olor es crucial para diversas aplicaciones, incluido el desarrollo de fragancias y las evaluaciones de seguridad.

Objetivo del estudio:

• Desarrollar un modelo predictivo para la calidad del olor basado en la estructura molecular.
• Crear un mapa de olor principal (POM) que capture las relaciones de percepción entre los olores.
• Evaluar el rendimiento del modelo en comparación con los panelistas humanos y los modelos quimioinformáticos existentes.

Principales métodos:

• Utilizó redes neuronales de gráficos (GNNs) para construir un mapa de olor principal (POM).
• Entrenó el modelo GNN en un conjunto de datos de odorantes y sus cualidades de olor asociadas.
• Valida el modelo prospectivamente en 400 nuevos olores, comparando sus predicciones con los datos del panel humano.

Principales resultados:

• El POM demostró una alta fiabilidad en la predicción de la calidad del olor, comparable a la percepción humana.
• Los perfiles de olor generados por el modelo coincidían más exactamente con la media de un panel humano entrenado que con los panelistas individuales.
• El POM superó a los modelos quimioinformáticos tradicionales en varias tareas de predicción de olores.

Conclusiones:

• El mapa de olor principal (POM) desarrollado codifica con éxito las relaciones estructura-olor generalizadas.
• Este enfoque basado en GNN permite una predicción precisa del olor para los olores no caracterizados.
• El estudio abre el camino para la representación digital y la predicción de olores.