基于机器学习的多类别气味模型研究

嗅觉在生物体感知外界化学信号方面发挥着关键作用,而气味评估是人们了解生物体嗅觉世界的重要手段。然而,由于评估人员的主观性而导致的气味描述词多样化,使基于计算方法的分子气味属性预测面临巨大的挑战。本研究基于单标签数据,采用6种机器学习算法和软投票模型集成策略,针对5种高频气味属性,构建了一个多类别的气味属性预测模型。该模型在测试集和外部测试集上的Macro F1分数均达到0.7以上,展现出良好的气味属性预测能力和泛化性能,并且在反直觉结构-气味关系方面具有一定的识别能力,为分子气味属性的有效预测提供了新的可能性。同时,本研究还预测了具有诱蚊效应的化合物分子可能的气味类别,为揭示蚊虫行为与气味嗅觉偏好之间的关系提供了重要线索。