Zespół badaczy przedstawił GraphNOSE - nowy framework oparty na transformerze grafowym, który rozwiązuje problem przewidywania jakości zapachowych na podstawie struktury molekularnej. Dotychczasowe modele liniowe zawodzą przy ekstrapolacji do nowych zestawów molekularnych, skrajnych mas cząsteczkowych lub złożonych mieszanin zapachów, a GraphNOSE radzi sobie znacznie lepiej dzięki integracji kodowań pozycyjnych i strukturalnych w architekturze oparte na transformerach.
Model został przetestowany na SMILES-ach reprezentujących struktury chemiczne i osiągnął średnią poprawę AUROC o 4.52% w stosunku do modeli liniowych, embedingów z modeli języka molekularnego, fingerprint'ów molekularnych i baseline'owych GNN. Co ważne, GraphNOSE wymaga sześć razy mniej parametrów niż standardowe grafy neuronowe, co czyni go bardziej efektywnym obliczeniowo.
Najwaniejszy wynik to osiągnięcie AUROC 84% na związkach o wstrząśniętej dystrybucji (out-of-distribution), czyli nowych, nieprzyjrzanych wcześniej molekułach. To przewyższa obecny stan sztuki reprezentowany przez Open-POM z AUROC 81% przy istotności statystycznej p < 0.001. Zespół zastosował również metody XAI (explainable AI) do identyfikacji, które podstruktury i właściwości molekularne napędzają przewidywania zapachów, odkrywając spostrzeżenia zgodne z chemiczną intuicją. GraphNOSE jako framework open-source może znaleźć zastosowanie w przemyśle perfumeryjnym, chemoinformatyce i odkrywaniu nowych zapachów syntetycznych.