分子的化学结构很难告诉你任何有关气味的资讯，两种结构非常相似的化学物质，闻起来可能截然不同，而两种不同化学结构的分子，却能产生几乎相同的气味。日常所见如咖啡、调味料、香水等，都是数十种或数百种香气分子的混合物，气味在现阶段还没有明显的参数可做依据，加深从化学角度理解人类嗅觉体验的挑战。
包括人类在内的动物已经进化出非常复杂的解码系统，以辨识大量的气味分子。所有的感官讯息都由受体处理，气味也不例外，针对光线，人眼有 2 种类型的受体细胞，但对气味，约有 400 种嗅觉受体（odorant receptor）。有关这些受体的讯号如何结合起来，触发特定感受，人类还未完全掌握。
由於结构生物学、数据分析和 AI 的进步，探索嗅觉奥秘的进展开始好转。许多科学家希望解开嗅觉的神秘面纱，帮助他们了解动物如何利用这种基本感觉来寻找食物或伴侣，以及它如何影响记忆、情绪、压力、食慾等。
更有人试图将气味数位化，用於开发新技术，比方说根据气味诊断疾病的设备、更好用更安全的驱虫剂，或为价值 300 亿美元的香精香料市场提供价格实惠、更能发挥香气作用的芳香分子。
新创 Osmo 开发气味图谱
Google Brain 前研究科学家 Alex Wiltschko 带领从 Google Research 拆分出去的新创公司 Osmo，深入气味和嗅觉的研究。
去年 Osmo 与美国莫乃尔化学感官中心（Monell Chemical Senses Center）研究人员合作，他们以来自香气目录的数千个分子结构描述，以及每个分子结构的气味形容词（例如牛肉味、花香等）用於训练模型，因此模型得以预测分子结构对应气味的描述。
为了进一步验证模型训练成果，他们找来 15 位气味专家，使用 55 种气味形容词（例如烟燻、蜡等），对数百种气味进行评分，与模型比拚谁辨识气味更准确。
事实上，人类很难完成这项任务，每个人嗅觉很主观。莫乃尔的神经科学家 Joel Mainland 表示，大多数气味描述缺乏细节。对於某种气味，参与评分的气味专家选择「强烈的、甜的、烘烤的、奶油」等字眼，换成一位香水专家描述同样的气味，却说像是滑雪小屋、没有火的壁炉的味道，从中可以看出落差。
研究人员使用的 AI 演算法，仅根据分子结构就能预测化合物的气味，这种 AI 演算法表现比一群人平均评分的结果还要出色，也比一个普通人用鼻子闻气味更为准确。虽然 AI 演算法产生的图谱非常复杂，有超过 250 项维度，但是它能够将气味按照不同类型进行分类，比方说肉类、酒精、木质等。
Joel Mainland 和 Osmo 团队目前正在挑战的研究是，弄清楚模型是否可以根据化合物成分来预测混合物气味。另一目标是让模型设计新的气味，例如模仿特定气味的化学物质，或者更安全、更永续、可生物分解的化学物质。
研究人类的嗅觉受体
不论是气味专家或一般人，我们鼻子里的嗅觉构造都是一样的，鼻子有数百万个嗅觉神经元，每个神经元通常只表达一种气味类型的受体。这些受体的基因家族在 1990 年代初被发现，更让医学专家 Linda Buck 和 Richard Axel 赢得 2004 年诺贝尔生理学或医学奖。
嗅觉神经元中每种受体可能辨识一种或多种气味，而每种气味同时被多种受体辨识。人类约有 400 种嗅觉受体可对成千上万不同的化学物质做出反应，而解开嗅觉神秘面纱的关键步骤，是了解这些受体的样子以及它们如何辨识化学物质。
加州大学旧金山分校的生物化学家 Aashish Manglik 专门研究嗅觉受体，在尝试几乎所有可能的嗅觉受体後，他和团队成员发现了一种蛋白在鼻子外、肠道和前列腺内，在常用细胞比较容易制造出来，这种名为 OR51E2 的受体会对丙酸盐做出反应，丙酸盐闻起来有着刺鼻的起司味。他的团队成为第一个成功发表与气味结合的人类嗅觉受体蛋白质结构。
接下来，他们尝试建立另一个未公开受体结构的 OR1A1，它能辨识多种气味，包括一些水果香味、花香及薄荷香味。他们使用计算模型来探索 OR1A1 如何与有着薄荷醇气味的 2 种化合物结合。
透过 Google DeepMind 的 AlphaFold 模型，提出哺乳动物气味受体的数千种结构。机器学习和模型建立也帮助研究人员筛选数百万种化合物，看看哪些可能与上述谈到的 2 种受体相结合。由此可见 AI 加速生物和医药科技不断向前发展，解决许多研究问题。
- The biology of smell is a mystery — AI is helping to solve it
（首图来源：shutterstock）
