基于振动的仿生气味分类

Nidhi Pandey, Debasattam Pal, Dipankar Saha & SwaroopGanguly

https://doi.org/10.1038/s41598-021-90592-x

嗅觉不像视觉或听觉那样被理解，也不像技术上那样被理解。在这里，化学图像理论被证明连接气味分子的振动谱，在嗅觉振动理论中，它接近正统的形状理论。原子模拟得到了20个气味分子的本征值（EVA）振动伪光谱，它们按气味分为6个不同的“感知”类。EVA被分解为对应于不同类型的振动模式的峰。一种新的二级伪光谱，基于这个物理上的峰值分解EVA（PD-EVA）已经在这里被提出。应用于PD-EVA的无监督学习机器（光谱聚类），将气味聚类为不同的“物理”（振动）类，与“人的知觉”相匹配，也揭示了内在的知觉子类。这为基于振动的气味分类建立了物理基础，协调了“形状和振动理论”，并指出基于振动的传感是一种很有前途的通仿生电子鼻的路径。

PD-EVA将基于振动的气味分类放在了一个坚实的物理基础上，这在早期基于EVA的聚类中是缺失的，它加强了振动在嗅觉中起着重要的作用的论点。这也表明，生物嗅觉的能力可以通过基于振动的传感和识别来模拟。我们的方法可以为香精和化妆品等应用领域的自动气味分类和人工气味设计铺平道路。

当然，这项研究需要用更大的气味数据集进行验证，这一定是未来工作的主题。

长期以来，在涉及到决定其气味的分子的本质特性时，科学家们一直在推测两种可能性：几何形状和振动能量。由Dyson首次提出的“振动学说”表明，嗅觉感受器可以像化学光谱镜一样工作，感知气味分子的局部振动。“形状学说”后来被提出并获得了更广泛的接受，它指出，气味与受体结合后，受体的构象从非活跃状态变成活跃状态—即所谓的对接或钥锁机制。Turin恢复了“振动学说”，假设非弹性电子隧道光谱学（IETS）作为检测振动能量的机制。这将嗅觉定位为量子生物学新领域中的一个原型系统。虽然振动问题一直在激烈争论，但一些实验确实表明，分子振动在气味的感知过程中发挥了一定作用。嗅觉“刷卡机制”提出了除了对接外的振动能量的作用。（超越对接的复杂激活机制确实发生在生物学中，例如在癌症免疫学中。另一方面，在生化分子的定量结构-构效关系（QSAR）研究的标准实践中，在药物设计等背景下，使用它们的振动光谱作为结构的代表物）。

现在，对气味的感知已经被证明与气味分子的物理化学性质有关，特别是其中的原子质量分布。由于分子中的质量分布与它的形状和振动谱有关，这就形成了一条连接锁键和嗅觉的振动图像的路径。在这里，我们试图使用化学图像理论的仪器来正式地统一这两个明显正交的图片，图1展示了用于统一这些理论的公式。将气味分子以原子为节点，并附加相应原子性质的权重。然后，关联矩阵的计算将图的结构与其功能特性联系起来，如振动谱，该振动谱由硬度加权的拉普拉斯矩阵的特征值导出的。

图1. 首先选择了20个属于6个不同感知类的气味分子，包括芳香化合物中的苯（左中）。拉普拉斯矩阵（左底部）是对结构的数学描述，（这里是苯）与动力矩阵D（右底部）成正比，它用耦合振子描述分子的振动运动方程。这个映射协调了嗅觉的振动和形状理论。动态矩阵的本征频率导致振动频谱—峰值分解本征值（PD-EVA）—峰值对应于不同的振动模式类型，按频率范围划分苯（右中）—如图所示。基于气味PD-EVA相似性的聚类导致了与感知相同的分类，揭示了大蒜族和芳香族的子类。该映射表明，基于振动的气味感知和分类可能具有模拟生物嗅觉能力的潜力。

选择的属于6个不同感知的分类涵盖了日常生活中不同阶层的气味，即：烤香、大蒜、麝香、果香、芳香和樟脑球香。虽然气味显然是复杂的，而且有些主观，但人们对这些分子的主要气味是一致的。我们注意到这里包含的气味也有广泛不同的分子结构，如表1所示。因此，我们在一个数据集的合集中有很大的多样性。

表1.本研究中使用的一组呈香分子，显示其结构和感知（气味）分类，即芳香、咖啡烘烤香、樟脑球香、果香、麝香和大蒜香。

图2. 以图2a为例，说明了呋喃300 K EVA伪谱图的构建。分子呋喃的本征值（EVA）伪谱（如图所示），用合适的σ（这里为100cm−1）拓宽计算出的振动峰（红色线条）以及高斯函数（蓝色），并在每个频率点上将所有它们的贡献相加。以呋喃甲硫醇的本征值伪谱（(2b)插图）为例，按振动模式类型划分频率尺度。从左至右：蓝绿色：扭转模式；蓝紫色：环形扭转和碳氢键振动；灰色：环变形，碳氢键振动，碳碳键伸展；绿色：碳碳双键伸展，碳氧键伸展；黄色：硫氢键伸展；粉色：碳氢键伸展。类似的模态广泛分类，可以将整个卷积的EVA谱解卷积成宽峰来识别区域。这表明，通过“峰分解EVA”，实现“呈香分子”。呋喃的EVA光谱的峰分解（如图插图(2c)所示）。(2d)构建峰值分解本征值谱（PD-EVA），遵循与本征值相同的程序进行（见(2a)）。

用量子矩阵中动力学矩阵计算分子振动谱的流程曲线图：

下图解释了基于峰值分解本征值PD-EVA伪光谱对气味分子进行分类的聚类过程：

表2.通过EVA伪谱峰值分解确定的分子的感知类别和主要振动模式（cm−1）。A、B：低频扭振模式。环的扭转和环的振动。E、F：环变形、碳氢键振动，碳碳键伸展。G: 碳碳双键伸展。H：碳氧键伸展；硫氢键伸展。J：碳氢键伸展C-H拉伸。

应用上一节中描述的物理信息机器学习方法，根据PD-EVA光谱的相似性将20个气味分子聚类为物理(振动)类。我们发现，最优聚类导致8个物理类，与之相反的是6个感知类(早些时候也观察到类似的情况26)。然而，每个物理类别的分子闻起来都是一样的。这表明，在物理(基于振动的)聚类过程中，六个感知类中的两个分裂成两个。这将在下一段中加以说明。表2列出了通过EVA伪谱的峰值分解得到的各分子的物理类、感知类(即气味)及其主要振动模式的条带。

事实上，这些类别对应于感知类别的一个自然分组，即“弱芳香”和“强芳香”。“蒜味”感知类(表2中的最后一个)也被发现分为两个物理类;再一次，这被发现与自然知觉子类相对应。大蒜素和二烯丙基二硫在大蒜中自然存在，是大蒜气味的来源，而苄硫醇、二甲基硫化物和烯丙基硫醇是合成分子，被认为是硫蒜。有趣的是，使用源自分子振动模式的描述符的纯数学聚类算法能够解析感知子类。这表明，基于复杂的振动光谱信息对气味分子进行分类和识别，可以有效地模拟生物嗅觉，实现仿生嗅觉传感器。

结论

总之，我们已经使用化学图论阐明了分子结构和振动光谱之间的联系，这是在基于EVA分子描述子的QSAR研究中隐含的。这与早期的研究一致，即在众多的物理化学性质中，对气味的复杂感知做出贡献的最关键的性质是分子质量及其分布——在化学(图论)的框架中，分子质量及其分布与其振动光谱自然相连。我们已经介绍了一个新的振动伪谱称为PD-EVA，它包含了关于振动模式类型的物理见解。一个由20个气味分子组成的小型概念验证集，属于6个感知类，根据它们PD-EVA之间的相似性，通过光谱聚类将它们分类为物理(振动)类。研究发现，最佳聚类结果可产生8个物理类，对应于感知类，再加上1个子类，每个子类是2个感知类固有的，并在聚类过程中显示出来。有了这种映射，PD-EVA将基于振动的气味分类建立在坚实的物理基础上，这是早期基于eva的聚类所缺少的。因此，它加强了振动在嗅觉中起着重要作用的论点。它还表明，生物嗅觉的力量可能与基于振动的感知和识别模拟。因此，我们的方法可以为香水和化妆品等应用的自动气味分类和人工气味设计铺平道路。当然，我们强调，这项研究需要更大的气味数据集来验证，这必须成为未来工作的主题。尽管如此，我们提醒自己，生物物理模型，即使简单或不完整，已经被证明在指导有用的生物启发技术的发展方面是非常有效的，例如使用神经网络的学习。这项工作同样可以指导量子仿生电子鼻的开发，实现基于振动/IETS的实用传感器系统的路径似乎比基于许多其他物理化学特性的传感器更清晰。