详情

机器学习辅助的芳香类分子产品设计

申报人:张翔 申报日期:2024-11-08

基本情况

2025年度大学生创新创业训练计划
机器学习辅助的芳香类分子产品设计
创新训练项目
工学
化工与制药类
一年半期
化工学院
张翔
指导教师
  • 国家自然科学基金青年科学基金项目,基于混合建模与优化的萃取精馏溶剂多级筛选方法研究,2025-2027
  • 本人将定期对学生进行线上或线下指导,计划每周讨论不少于一次,每次不少于1小时
  • 基于项目需求,本人将指导学生进行数据库构建,Python机器学习建模,GAMS计算机辅助分子设计

嗅觉是一个复杂的感官系统,最近发现人类可分辨超过1万亿种不同的气味,数百年来,人类一直在对令人愉悦的物质气味进行探索,也催生了香精香料这一价值数百亿人民币的行业。香料(芳香类分子)已被广泛应用于许多日常用品中,如香水、化妆品和洗漱用品,通过在这些产品中添加香料,可以增强产品的感官特性。虽然香精香料拥有巨大的市场,但它们的设计方法大多依赖经验主义,以专家的经验和知识为基础,许多商业上成功的香水都是偶然产生的。由于不同类型的香水往往为不同的用途而配制,并且香味分子也可能会影响产品稳定性或颜色,因此面对多样的产品需求,采用基于经验和知识的设计方法,极可能错过潜在的更好的芳香类分子产品。对于这一现状,亟需一种系统的设计方法来协助筛选/设计香味分子,以满足各种产品需求。

化学产品的设计方法可分为启发式方法和模型设计方法。前者主要被用于各种配方化学产品的开发,例如,“汤米女孩”香水上市前进行了近1100次反复试验和修正。后者主要通过计算机辅助分子设计来提高效率,在过去的数十年间,该方法已被用于各种溶剂分子的设计[1]。鉴于此,为加快芳香类产品的设计,需要一种高效的基于模型的方法,从而缩短产品开发时间,并将实验工作集中在一些选定的有前途的候选产品上。然而,当计算机辅助设计的方法被用于产品设计时,仍面临巨大障碍[2]。例如,许多定义“产品-性能”的物理化学现象尚未被完全理解,因此很难对其进行严格建模,导致难以预测产品的性质。对于香料设计来说,气味特性(气味特征和愉悦度)是最重要的因素。然而,这一性质的可靠的预测模型却很少。过去30年间,机器学习领域发生了重大变化。多种不同的机器学习方法,如决策树、神经网络、支持向量机等,正不断影响化学信息学的发展。在化学化工研究中,往往可以获得大量实验数据,利用机器学习建立定量的结构-性能关系便可从数据中提取知识,实现新化合物性质的预测。目前SuperScentSuperSweetFragranceDB等数据库已包含大多数现有的香料分子,因此可利用机器学习方法从数据库中开发出香料产品气味特性的预测模型。近年来,Keller等人[3]已整合了多个数据库并开发了模型来预测芳香类分子产品的感知气味。他们使用大型嗅觉心理物理数据集和不同的机器学习算法,根据分子的化学信息学特征来预测分子的感官属性。

尽管少量机器学习模型已被构建并用于预测香味,但仍需开发系统性的方法以利用模型实现定向的香味分子设计。此外,分子设计并非时终点,香味分子被大量用于香水中,面对多样的市场需求,也亟需开发香水的配方优化方法。

[1] Austin, N. D., Sahinidis, N. V., Trahan, D. W. (2016). Computer-aided molecular design: An introduction and review of tools, applications, and solution techniques. Chemical Engineering Research and Design, 116, 2-26.

[2] Hill, M. (2004). Product and process design for structured products. AIChE Journal50(8), 1656-1661.

[3] Keller, A., Gerkin, R. C., Guan, Y., Dhurandhar, A., Turu, G., Szalai, B., et al. (2017). Predicting human olfactory perception from chemical features of odor molecules. Science355(6327), 820-826.

选题成员

4

指导教师

序号 教师姓名 教师账号 所属学院
暂无数据

选题附件

结束