机器学习能否赋予计算机嗅觉？某机构正在探索
某机构的研究工作由某中心Alexa基金支持，其在香水制造到疾病检测等领域具有重要应用价值。
主气味地图（POM）突破
研究团队的核心突破是创建了主气味地图（POM）。该技术类似于视觉领域的RGB色彩映射原理，通过图神经网络（GNN）对5000多个已知气味分子进行训练，建立分子结构与人类嗅觉感知的映射关系。关键突破在于：
- 模型仅依据分子结构即可预测未知分子的气味特征
- 在盲测中预测精度超越专业气味评测师组平均水平
- 构建256维气味空间实现气味相似性量化定位
技术实现路径
- 数据基础：整合多个香精香料数据库的分子结构数据
- 模型架构：采用图神经网络处理非结构化分子数据
- 验证机制：通过400+未知分子盲测对比人类专家评测结果
- 维度扩展：实现256维气味向量空间中的分子聚类
跨领域应用场景
商业香精开发
- 筛选数十亿分子库中有潜力的合成香料分子
- 规避传统香料采集导致的生态破坏问题
- 使用碳、氢、氧等基础原子构建环保合成分子
病媒控制领域
- 整合1940年代美国政府蚊虫驱避剂研究报告数据
- 与热带病控制技术机构合作验证模型预测
- 发现比DEET更有效的新型驱蚊分子
医疗诊断前景
- 通过呼吸气味图谱（Osmograph）检测重大疾病
- 探索癌症等疾病的早期嗅觉标志物识别
- 需突破气体色谱质谱仪等传感设备小型化瓶颈
技术核心：图神经网络革新
- 突破传统矩形数据网格限制，直接处理分子图结构
- 将原子作为节点、化学键作为边进行特征提取
- 实现分子规模从2原子到20原子的自适应处理
发展阶段规划
- 近期：商业香料分子授权与产业化
- 中期：农业害虫驱避剂开发与监管审批
- 远期：临床诊断应用与嗅觉数字化存档
目前该技术已完成实验室验证阶段，正在推进规模化合成与监管审批流程。研究团队表示，计算机嗅觉技术有望在10-20年内达到实用化水平，最终实现气味的读取、理解和重现完整技术链。