AROMMA：统一单分子与混合物的嗅觉嵌入空间
AROMMA: Unifying Olfactory Embeddings for Single Molecules and Mixtures
摘要 Abstract
公开的嗅觉数据集小且分散——单分子数据集（如GS-LF）和混合物数据集（如BP）各自独立，嵌入空间不统一。现有方法要么只处理单分子（如POM），要么通过相似度或成对标签预测处理混合物，但表征是分离的、不对齐的。
本文提出AROMMA（Aggregated Representations of Olfaction via Molecule and Mixture Alignment），首次学习单分子和二元混合物共享的统一嵌入空间。每个分子由化学基础模型SPMM编码，混合物通过基于注意力的聚合器组合，确保排列不变性和非对称分子交互。通过知识蒸馏和类别感知伪标签对齐气味描述符集，AROMMA在GS-LF和BP数据集上分别提升3.2%和19.1% AUROC。
AROMMA打破了单分子与混合物之间的壁垒，用统一嵌入空间实现了跨域知识迁移，混合物预测提升19%——这是嗅觉AI从"单品鉴赏"走向"调香"的关键一步。
研究背景 Background
2023年Science发表的POM论文建立了单分子气味预测的强基线，但现实世界的嗅觉涉及混合物——两种或多种分子的组合会产生协同（agonism）或拮抗（antagonism）效应，不能简单叠加。
- POM的局限：仅处理单分子，约5000个训练样本，化学空间覆盖有限
- POMMix的尝试：用自注意力+排列不变池化学习混合物相似度，但无描述符级预测，且单分子/混合物表征不对齐
- MPNN-GNN的尝试：预测二元混合物的气味描述符，但标签集更窄、标注稀疏、无法与单分子嵌入桥接
- 数据集碎片化：GS-LF（5K单分子，138标签）和BP（60K混合物对，74标签）使用不同的描述符体系，标注密度差异大（5 vs 1.4标签/样本）
方法论 Methodology
分子嵌入器：化学基础模型SPMM
AROMMA使用SPMM（Structure-Property Multi-Modal foundation model）作为分子嵌入器。SPMM在约5000万分子上预训练，通过将分子结构与53种生化属性对齐来学习分子表征。相比POM仅在5K分子上训练，SPMM的化学空间覆盖更广。使用LoRA高效微调（仅110K/0.26%可训练参数）。
聚合模块：注意力机制
- 分子级自注意力：每个分子与其他分子交互，捕获非对称的分子间效应
- 全局可学习查询的交叉注意力：类似BERT的[CLS] token，用可学习查询向量聚合混合物级信息，比POMMix的统计池化（均值/方差/最大/最小）更灵活
- 排列不变性：混合物表示不依赖分子输入顺序
训练策略：知识蒸馏 + 伪标签
解决两个数据集描述符体系不统一的核心方案：
- 统一标签集：152个标签（GS-LF全集），BP缺失的78个标签用零填充
- 知识蒸馏（MLD Loss）：用POM作为教师模型，通过KL散度对齐单分子预测的概率分布
- 类别感知伪标签：根据GS-LF中各类别的正标签比例设定阈值，为BP的缺失标签生成伪标签，构建Pseudo-78和Pseudo-152增强数据集
- 再训练：用增强数据集重新训练，BP平均活跃标签从1.4提升到5.6
实现细节
- 4头注意力，SPMM嵌入768维→投影196维→交叉注意力384维
- LoRA rank=4, α=8，Adam优化器 lr=4e-5，早停patience=20
- 开源：
github.com/DGIST-Distributed-AI-Lab/aromma
关键结果 Key Results
| 模型 | GS-LF（单分子） | BP（混合物） | 综合 |
|---|---|---|---|
| POM | 0.874 | — | — |
| MPNN-GNN | 0.851 | 0.734 | — |
| AROMMA | 0.900 | 0.861 | 0.939 |
| AROMMA-P152 | 0.902 | 0.874 | 0.932 |
- 单分子SOTA：GS-LF上AUROC 0.900，比POM提升3.2%
- 混合物大幅提升：BP上AUROC 0.874，比MPNN-GNN提升19.1%
- 伪标签效果：BP标注密度从1.4→5.6标签/样本，有效恢复了潜在标注
- 跨域迁移：伪标签仅应用于BP，但GS-LF性能也提升——说明混合物知识成功迁移到单分子
消融实验
- SPMM vs POM嵌入器：SPMM显著优于POM（0.939 vs 0.898综合AUROC）
- 交叉注意力 vs PNA池化：可学习查询的交叉注意力优于统计池化
- 知识蒸馏：同时提升单分子和混合物性能
- LoRA微调：混合物预测受益于嵌入器更新
AROMMA证明了单分子和混合物的嗅觉表征可以在统一空间中互相增强，而非孤立学习。19%的混合物性能提升意味着"调香"场景的AI辅助成为可能。
个人见解 Insights
- 关键创新：统一嵌入空间的概念——不再是"单分子一套模型、混合物一套模型"，而是共享表征空间实现双向知识迁移
- 化学基础模型的价值：SPMM在5000万分子上预训练，比POM的5K训练样本覆盖面大1000倍，这是性能飞跃的根本原因
- 伪标签的巧妙应用：利用GS-LF的类别分布信息为BP生成伪标签，既解决了标签缺失问题，又保持了标签分布一致性
- 局限：①仅处理二元混合物，三元及以上未验证 ②使用非立体SMILES，忽略了3D结构信息 ③BP数据集本身标注质量存疑（爬虫获取）
- 与Osmo POM的关系：AROMMA明确以POM为基线和教师模型，是对POM的直接继承和超越
参考资料 References
查看原文 View Original Paper
arXiv: 2601.19561
下载 PDF Download PDF
arXiv PDF
代码仓库 GitHub
DGIST-Distributed-AI-Lab/aromma