Nidhi Pandey, Debasattam Pal, Dipankar Saha & SwaroopGanguly

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

嗅覺不像視覺或聽覺那樣被理解，也不像技術上那樣被理解。在這里，化學圖像理論被證明連接氣味分子的振動譜，在嗅覺振動理論中，它接近正統的形狀理論。原子模擬得到了20個氣味分子的本征值（EVA）振動偽光譜，它們按氣味分為6個不同的“感知”類。EVA被分解為對應于不同類型的振動模式的峰。一種新的二級偽光譜，基于這個物理上的峰值分解EVA（PD-EVA）已經在這里被提出。應用于PD-EVA的無監督學習機器（光譜聚類），將氣味聚類為不同的“物理”（振動）類，與“人的知覺”相匹配，也揭示了內在的知覺子類。這為基于振動的氣味分類建立了物理基礎，協調了“形狀和振動理論”，并指出基于振動的傳感是一種很有前途的通仿生電子鼻的路徑。

PD-EVA將基于振動的氣味分類放在了一個堅實的物理基礎上，這在早期基于EVA的聚類中是缺失的，它加強了振動在嗅覺中起著重要的作用的論點。這也表明，生物嗅覺的能力可以通過基于振動的傳感和識別來模擬。我們的方法可以為香精和化妝品等應用領域的自動氣味分類和人工氣味設計鋪平道路。

當然，這項研究需要用更大的氣味數據集進行驗證，這一定是未來工作的主題。

長期以來，在涉及到決定其氣味的分子的本質特性時，科學家們一直在推測兩種可能性：幾何形狀和振動能量。由Dyson首次提出的“振動學說”表明，嗅覺感受器可以像化學光譜鏡一樣工作，感知氣味分子的局部振動。“形狀學說”后來被提出并獲得了更廣泛的接受，它指出，氣味與受體結合后，受體的構象從非活躍狀態變成活躍狀態—即所謂的對接或鑰鎖機制。Turin恢復了“振動學說”，假設非彈性電子隧道光譜學（IETS）作為檢測振動能量的機制。這將嗅覺定位為量子生物學新領域中的一個原型系統。雖然振動問題一直在激烈爭論，但一些實驗確實表明，分子振動在氣味的感知過程中發揮了一定作用。嗅覺“刷卡機制”提出了除了對接外的振動能量的作用。（超越對接的復雜激活機制確實發生在生物學中，例如在癌癥免疫學中。另一方面，在生化分子的定量結構-構效關系（QSAR）研究的標準實踐中，在藥物設計等背景下，使用它們的振動光譜作為結構的代表物）。

現在，對氣味的感知已經被證明與氣味分子的物理化學性質有關，特別是其中的原子質量分布。由于分子中的質量分布與它的形狀和振動譜有關，這就形成了一條連接鎖鍵和嗅覺的振動圖像的路徑。在這里，我們試圖使用化學圖像理論的儀器來正式地統一這兩個明顯正交的圖片，圖1展示了用于統一這些理論的公式。將氣味分子以原子為節點，并附加相應原子性質的權重。然后，關聯矩陣的計算將圖的結構與其功能特性聯系起來，如振動譜，該振動譜由硬度加權的拉普拉斯矩陣的特征值導出的。

圖1. 首先選擇了20個屬于6個不同感知類的氣味分子，包括芳香化合物中的苯（左中）。拉普拉斯矩陣（左底部）是對結構的數學描述，（這里是苯）與動力矩陣D（右底部）成正比，它用耦合振子描述分子的振動運動方程。這個映射協調了嗅覺的振動和形狀理論。動態矩陣的本征頻率導致振動頻譜—峰值分解本征值（PD-EVA）—峰值對應于不同的振動模式類型，按頻率范圍劃分苯（右中）—如圖所示。基于氣味PD-EVA相似性的聚類導致了與感知相同的分類，揭示了大蒜族和芳香族的子類。該映射表明，基于振動的氣味感知和分類可能具有模擬生物嗅覺能力的潛力。

選擇的屬于6個不同感知的分類涵蓋了日常生活中不同階層的氣味，即：烤香、大蒜、麝香、果香、芳香和樟腦球香。雖然氣味顯然是復雜的，而且有些主觀，但人們對這些分子的主要氣味是一致的。我們注意到這里包含的氣味也有廣泛不同的分子結構，如表1所示。因此，我們在一個數據集的合集中有很大的多樣性。

表1.本研究中使用的一組呈香分子，顯示其結構和感知（氣味）分類，即芳香、咖啡烘烤香、樟腦球香、果香、麝香和大蒜香。

圖2. 以圖2a為例，說明了呋喃300 K EVA偽譜圖的構建。分子呋喃的本征值（EVA）偽譜（如圖所示），用合適的σ（這里為100cm?1）拓寬計算出的振動峰（紅色線條）以及高斯函數（藍色），并在每個頻率點上將所有它們的貢獻相加。以呋喃甲硫醇的本征值偽譜（(2b)插圖）為例，按振動模式類型劃分頻率尺度。從左至右：藍綠色：扭轉模式；藍紫色：環形扭轉和碳氫鍵振動；灰色：環變形，碳氫鍵振動，碳碳鍵伸展；綠色：碳碳雙鍵伸展，碳氧鍵伸展；黃色：硫氫鍵伸展；粉色：碳氫鍵伸展。類似的模態廣泛分類，可以將整個卷積的EVA譜解卷積成寬峰來識別區域。這表明，通過“峰分解EVA”，實現“呈香分子”。呋喃的EVA光譜的峰分解（如圖插圖(2c)所示）。(2d)構建峰值分解本征值譜（PD-EVA），遵循與本征值相同的程序進行（見(2a)）。

用量子矩陣中動力學矩陣計算分子振動譜的流程曲線圖：

下圖解釋了基于峰值分解本征值PD-EVA偽光譜對氣味分子進行分類的聚類過程：

表2.通過EVA偽譜峰值分解確定的分子的感知類別和主要振動模式（cm?1）。A、B：低頻扭振模式。環的扭轉和環的振動。E、F：環變形、碳氫鍵振動，碳碳鍵伸展。G: 碳碳雙鍵伸展。H：碳氧鍵伸展；硫氫鍵伸展。J：碳氫鍵伸展C-H拉伸。

應用上一節中描述的物理信息機器學習方法，根據PD-EVA光譜的相似性將20個氣味分子聚類為物理(振動)類。我們發現，最優聚類導致8個物理類，與之相反的是6個感知類(早些時候也觀察到類似的情況26)。然而，每個物理類別的分子聞起來都是一樣的。這表明，在物理(基于振動的)聚類過程中，六個感知類中的兩個分裂成兩個。這將在下一段中加以說明。表2列出了通過EVA偽譜的峰值分解得到的各分子的物理類、感知類(即氣味)及其主要振動模式的條帶。

事實上，這些類別對應于感知類別的一個自然分組，即“弱芳香”和“強芳香”。“蒜味”感知類(表2中的最后一個)也被發現分為兩個物理類;再一次，這被發現與自然知覺子類相對應。大蒜素和二烯丙基二硫在大蒜中自然存在，是大蒜氣味的來源，而芐硫醇、二甲基硫化物和烯丙基硫醇是合成分子，被認為是硫蒜。有趣的是，使用源自分子振動模式的描述符的純數學聚類算法能夠解析感知子類。這表明，基于復雜的振動光譜信息對氣味分子進行分類和識別，可以有效地模擬生物嗅覺，實現仿生嗅覺傳感器。

結論

總之，我們已經使用化學圖論闡明了分子結構和振動光譜之間的聯系，這是在基于EVA分子描述子的QSAR研究中隱含的。這與早期的研究一致，即在眾多的物理化學性質中，對氣味的復雜感知做出貢獻的最關鍵的性質是分子質量及其分布——在化學(圖論)的框架中，分子質量及其分布與其振動光譜自然相連。我們已經介紹了一個新的振動偽譜稱為PD-EVA，它包含了關于振動模式類型的物理見解。一個由20個氣味分子組成的小型概念驗證集，屬于6個感知類，根據它們PD-EVA之間的相似性，通過光譜聚類將它們分類為物理(振動)類。研究發現，最佳聚類結果可產生8個物理類，對應于感知類，再加上1個子類，每個子類是2個感知類固有的，并在聚類過程中顯示出來。有了這種映射，PD-EVA將基于振動的氣味分類建立在堅實的物理基礎上，這是早期基于eva的聚類所缺少的。因此，它加強了振動在嗅覺中起著重要作用的論點。它還表明，生物嗅覺的力量可能與基于振動的感知和識別模擬。因此，我們的方法可以為香水和化妝品等應用的自動氣味分類和人工氣味設計鋪平道路。當然，我們強調，這項研究需要更大的氣味數據集來驗證，這必須成為未來工作的主題。盡管如此，我們提醒自己，生物物理模型，即使簡單或不完整，已經被證明在指導有用的生物啟發技術的發展方面是非常有效的，例如使用神經網絡的學習。這項工作同樣可以指導量子仿生電子鼻的開發，實現基于振動/IETS的實用傳感器系統的路徑似乎比基于許多其他物理化學特性的傳感器更清晰。