ブログ

Dec 08, 2023

機械は今、匂いの嗅ぎ方を学習中

Sara Harrison Società di previsione delle applicazioni Alphabet Google Ricerca sugli utenti finali

サラ・ハリソン

応用

予測

会社

アルファベット

グーグル

エンドユーザー

研究

セクタ

研究

テクノロジー

機械学習

ニューラルネットワーク

Google には独自の香水があるか、同社の研究者の少なくとも 1 チームが持っています。 フランスの専門調香師の指導のもとで作られたこの混合物には、バニラ、ジャスミン、メロン、イチゴの香りが漂います。 「半分も悪くなかった」と、香水の小瓶をキッチンに保管しているアレックス・ウィルチコは言う。

Google はすぐにその香りをマーケティングする予定はありませんが、私たちの生活のさらに別の側面、つまり香りに鋭く取り組んでいます。 木曜日、Google Brainの研究者らは、構造に基づいて分子の匂いを予測する一連の機械学習アルゴリズムをどのように訓練したかを示す論文をプレプリントサイトArxivに発表した。 これは、世界のほとんどの地域の地図を提供するのと同じくらい便利ですか? そうでないかもしれない。 しかし、嗅覚の分野に関しては、長年の大きな疑問を解決するのに役立つかもしれない。

嗅覚の科学は他の多くの分野に比べて遅れています。 たとえば、光は何世紀にもわたって理解されてきました。 17 世紀、アイザック ニュートンはプリズムを使用して、太陽の白色光を、現在よく知られている赤、オレンジ、黄、緑、青、藍、紫の虹に分割しました。 その後の研究により、私たちが異なる色として認識しているものは、実際には異なる波長であることが明らかになりました。 カラーホイールを一目見ると、これらの波長がどのように比較されるかを簡単に表現でき、長い赤と黄色が短い青と紫に移行します。 しかし、匂いにはそのようなガイドはありません。

波長が光の基本構成要素である場合、分子は香りの構成要素です。 それらの分子が私たちの鼻に入ると、嗅球と呼ばれる脳の小さな部分に信号を送る受容体と相互作用します。 突然、「うーん、ポップコーンだ！」と思います。 科学者は波長を見て、それがどのような色に見えるかを知ることができますが、分子や匂いについては同じことはできません。

実際、分子の化学構造から匂いを把握することは非常に難しいことが証明されています。 原子や結合を 1 つ変更または削除すると、「バラから腐った卵に変わることができます」と、このプロジェクトの Google 研究チームを率いたウィルチコ氏は言います。

機械学習を使用して、ある分子をニンニクのような香りにし、別の分子をジャスミンのような香りにするパターンを検出する試みはこれまでにも行われている。 研究者らは、2015 年に DREAM 嗅覚予測チャレンジを作成しました。このプロジェクトでは、数百人から香りの説明をクラウドソーシングし、研究者らはさまざまな機械学習アルゴリズムをテストして、分子の匂いを予測できるように訓練できるかどうかを確認しました。

他のいくつかのチームはそのデータに AI を適用し、予測に成功しました。 しかし、ウィルチコ氏のチームは異なるアプローチをとった。 彼らはグラフ ニューラル ネットワーク (GNN) と呼ばれるものを使用しました。 ほとんどの機械学習アルゴリズムでは、情報が長方形のグリッドに入ってくる必要があります。 しかし、すべての情報がその形式に適合するわけではありません。 GNN は、ソーシャル メディア サイト上の友人のネットワークやジャーナルからの学術引用のネットワークなどのグラフを参照できます。 これらは、ソーシャル メディア上の次の友達が誰になるかを予測するために使用できる可能性があります。 この場合、GNN は各分子の構造を処理し、たとえば 1 つの分子内で炭素原子が窒素原子から 5 原子離れていることを理解できます。

ローレン・グッド

ローレン・グッド

ジュリアン・チョッカトゥ

ウィル・ナイト

Google チームは、専門的な嗅覚を持つ調香師から提供された 5,000 近くの分子のセットを使用し、各分子を「ウッディ」、「ジャスミン」、「スイート」などの表現と注意深く照合しました。 研究者らは、データセットの約 3 分の 2 を使用してネットワークをトレーニングし、残りの分子の香りを予測できるかどうかをテストしました。 出来た。

実際、最初の反復では、GNN は他のグループが作成したモデルと同様に機能しました。 ウィルチコ氏は、チームがモデルを改良すればさらに良くなる可能性があると述べ、「我々はこの分野を前進させたと思う」と語った。

他の機械学習ツールと同様に、Google の GNN はデータの品質によって制限されます。 それにもかかわらず、コールドスプリングハーバー研究所の研究者、アレクセイ・コウラコフ氏は、このプロジェクトは、多くの場合比較的小さい匂いデータセットに何千もの新しい分子を導入するのに価値があり、このデータは「匂いの改善のための基礎を形成する可能性がある」と述べている。将来的には他のアルゴリズムも利用できるようになります。」 コウラコフ氏は、ニューラルネットワークの設計は人間の嗅覚システムと同じではないため、機械学習モデルから人間の嗅覚について何かを学べるかどうかは明らかではないと指摘する。

AI が匂いをどのように理解するか、そして私たちがそれをどのように認識するかは、まったく異なるものである可能性があります。 2 つの分子は異なる匂いを嗅ぐかもしれませんが、訓練された鼻でも両方を「木のような」または「土のような」と分類します。 「これは大きな警告です」とウィルチコ氏は言う。

彼はまた、GNN が 1 つの重要な領域に該当することも認めています。それは、同じ原子と結合を持ちますが、互いの鏡像として配置される、いわゆるキラル ペアです。 方向が異なるということは、香りが根本的に異なることを意味します。 キャラウェイやスペアミントはその一例です。 しかし、GNN はそれらを同じに分類します。 「私たちはデータセットにキラルペアがあることを知っていますが、それらを正しく予測できる可能性がないことも知っています」とウィルチコ氏は言う。 次のステップは、それに対処する方法を見つけることです。

さらに、この研究では、単一分子の認識方法を根本的に変える可能性がある香りの混合物や組み合わせについてはあまりわかっていません。 しかし、どのような特性やパターンが分子を特定の匂いに導くのかを解明することは、この分野にとって大きな進歩となるだろう。 モネル化学感覚センターの匂い研究者であるヨハネス・ライザート氏は、「もしこれができたら、それは非常に素晴らしい偉業になると思います」と語る。 最終的には、どの分子が互いに接近しているのか、どの分子が関連しているのかをマッピングする、匂いの一種のカラーホイールを作成できるようになります。 Reisert氏は、Googleのプロジェクトがまだ進行中のものであることを認めているが、それは「前進するための一歩」であると述べている。