[发明专利]使用机器学习预测分子嗅觉特性的系统和方法

说明书

本发明提供了用于预测分子嗅觉特性的系统和方法。一种示例方法包括获得机器学习的图神经网络，该机器学习的图神经网络被训练以至少部分地基于与分子相关联的化学结构数据来预测分子的嗅觉特性。该方法包括获得以图方式描述所选分子的化学结构的图。该方法包括向机器学习的图神经网络提供图作为输入。该方法包括接收描述所选分子的一个或多个预测嗅觉特性的预测数据，作为机器学习的图神经网络的输出。该方法包括提供描述所选分子的一个或多个预测嗅觉特性的预测数据作为输出。

技术领域

本发明通常涉及机器学习。更具体地，本发明涉及使用机器学习的模型来预测分子的嗅觉特性。

背景技术

分子的结构与其嗅觉感知特性(例如，人类观察到的分子味道)之间的关系是复杂的，并且到目前为止，通常对这种关系知之甚少。例如，香料和香芬行业通常依靠试错法、启发法和/或开采天然产品来提供具有期望嗅觉特性的商用产品。通常缺乏组织嗅觉环境的有意义的原则，尽管已知分子结构和味道之间的映射可能是非常非线性的，因此分子的微小变化可能产出嗅觉质量中的巨大变化。此外，反过来也可能成立，不同的分子家族都能闻起来相同。

发明内容

本发明实施例的各方面和优点将在以下描述中部分阐述，或者可以从描述中学习，或者可以通过实施例的实践来学习。

本发明的一个示例方面针对用于预测分子嗅觉特性的计算机实现的方法。所述方法包括：由一个或多个计算设备获得机器学习的图神经网络，该机器学习的图神经网络被训练以至少部分地基于与分子相关联的化学结构数据来预测分子的嗅觉特性。所述方法包括由一个或多个计算设备获得以图方式描述所选分子的化学结构的图。所述方法包括由一个或多个计算设备提供以图方式描述所选分子的化学结构的图，作为机器学习的图神经网络的输入。所述方法包括由一个或多个计算设备接收描述所选分子的一个或多个预测嗅觉特性的预测数据，作为机器学习的图神经网络的输出。所述方法包括由一个或多个计算设备提供描述所选分子的一个或多个预测嗅觉特性的预测数据作为输出。

本发明的另一个示例方面针对计算设备。所述计算设备包括一个或多个处理器；以及一个或多个非暂时性计算机可读介质，其存储指令。当指令由一个或多个处理器运行时使计算设备执行操作。所述操作包括：获得机器学习的图神经网络，该机器学习的图神经网络被训练以至少部分地基于与分子相关联的化学结构数据来预测分子的一个或多个嗅觉特性。所述操作包括获得表示所选分子化学结构的图数据。所述操作包括向机器学习的图神经网络提供表示化学结构的图数据作为输入。所述操作包括接收描述与所选分子相关联的一个或多个嗅觉特性的预测数据，作为机器学习的图神经网络的输出。所述操作包括提供描述所选分子的一个或多个预测嗅觉特性的预测数据作为输出。

本发明的其他方面针对多种系统、装置、非暂时性计算机可读介质、用户界面和电子设备。

参考以下描述和所附权利要求，将更好地理解本发明多种实施例的这些和其他特征、方面和优点。并入本说明书并构成本说明书一部分的附图示出了本发明的示例实施例，并与说明书一起用于解释相关原理。

附图说明

说明书中参考附图详细讨论了针对本领域普通技术人员的实施例，在附图中：

图1A描绘了根据本发明的示例实施例的示例计算系统的框图；

图1B描绘了根据本发明的示例实施例的示例计算设备的框图；

图1C描绘了根据本发明的示例实施例的示例计算设备的框图；

图2描绘了根据本发明的示例实施例的示例预测模型的框图；

图3描绘了根据本发明的示例实施例的示例预测模型的框图；

图4描绘了根据本发明的示例实施例的用于预测分子嗅觉特性的示例操作的流程图；以及

图5描绘了根据本发明的示例实施例的用于可视化与预测嗅觉特性相关联的结构贡献的示例图示。