金子研の研究成果の論文が Analytical Sciences に掲載されましたので、ご紹介します。タイトルは
です。これは修士卒の和久津優太さんが取り組んだ研究の成果です。
本論文は、分子構造からその物質がどのような匂いを持つかを予測するという、ケモインフォマティクスにおける長年の難題に対し、人間の嗅覚メカニズムに基づいた「嗅覚受容体（OR）結合プロファイル」を介在させる新しい多段階予測フレームワークを提案しています。従来の匂い予測モデルの多くは、分子構造から得られる物理化学的な記述子を直接匂いのラベルに紐付ける手法を採用してきましたが、このアプローチでは光学異性体のように構造が非常に類似しながらも全く異なる匂いを持つ物質を正確に識別することが困難でした。
この問題に対し、今回は人間が匂いを感じる生物学的なプロセスを模倣し、予測プロセスを3つの段階に分割して構築しました。まず第1段階で分子が特定の嗅覚受容体に結合するかどうかを分類し、続く第2段階でその結合の強さを回帰分析によって推定、そして最終的な第3段階で、これら受容体の応答パターンの集合から最終的な匂いの有無（マルチラベル）を予測します。この多段階アプローチにより、分子構造の微細な違いが受容体への反応の違いとして増幅され、結果として精度の高い匂い予測が可能となりました。特に、従来手法では限界があった光学異性体の匂いの嗅ぎ分けにおいて、本フレームワークは顕著な有効性を示しています。
また、本研究のもう一つの大きな貢献は、予測モデルの判断根拠を可視化する「Positive likeness」という新しい解釈性指標を導入した点にあります。機械学習モデルはしばしばそのプロセスが不明瞭なブラックボックスであることが課題となりますが、この指標を用いることで、特定の匂い（例えばムスクやフローラルなど）の決定にどの受容体が寄与しているかを定量的に明らかにすることが可能になりました。実際に論文内では、ムスクの匂いを感知する特定の受容体を同定するプロセスが示されており、これはAIが単なる予測ツールに留まらず、生物学的な発見を支援するツールになり得ることを示唆しています。
提案したモデルに対し、大規模な匂いデータベースであるDravnieksのアトラスなどを用い、従来の分子記述子のみに基づくモデルとの比較検証が行われました。その結果、提案手法が予測精度と解釈性の両面で極めて優れていることが実証されました。本研究の成果は、香料開発における効率的な新成分のデザインや、嗅覚のメカニズム解明といった基礎科学の発展に大きく寄与するものであり、将来的にデジタル香料や感性評価の自動化といった幅広い分野への応用が期待されます。
興味のある方は、ぜひ論文をご覧いただければと思います。どうぞよろしくお願いいたします。
以上です。
質問やコメントなどありましたら、X, facebook, メールなどでご連絡いただけるとうれしいです。
