10.1039/C8RA10182E
illustrate-tool for work Mappingにカーソルオンで化合物の分子構造が図示されます
パラメトリックt-SNEアプローチはディープフィードフォワードニューラルネットワークに基づきます、本報でケミカルスペースの可視化問題に適用されました。既存の次元削減手法（主成分分析（PCA）、多次元尺度構成法（MDS））よりも多くの情報を保持できます。この方法のいくつかのケミカルスペース・ナビゲーションタスク（activity cliffs and activity landscapes identification）への適用性について説明します。作業を説明するための簡単なWebツールを作成しました（http://space.syntelly.com）。
匂い分子の構造とその匂いの質との関係を見つけることは、常に非常に困難な作業だった。分子構造と匂いの関係を確立する困難は、特に匂い分子（に関する情報の）の供給源が異なる場合、（匂いの質についての）記述子ラベルのあいまいで曖昧な性質に起因します。ディープラーニングの出現により、データ駆動型のアプローチが現実的になり、化学構造とその匂いの間のより正確なリンクが実現されました。この研究では、物理化学的特性と分子フィンガープリント（PPMF）を備えたディープニューラルネットワーク（DNN）と、化学構造イメージ（IMG）を備えた畳み込みニューラルネットワーク（CNN）を開発し、SMILES表記を使用して化学物質の匂いを予測します。マルチラベル予測モデルを開発するために、104の嗅覚を持つ5185の化合物のデータセットが使用されました。 DNN + PPMFおよびCNN + IMG（Xceptionベース）からの匂い予測の精度は、化学物質の独立したテストセットに適用した場合、それぞれ97.3および98.3％であることがわかりました。 提案されたDNN + PPMFとCNN + IMGの両方の予測モデルを組み合わせた深層学習アーキテクチャは、匂い分類、化学構造と匂いの知覚の関係の根底にある一般的なメカニズムを理解を促進します。