这篇宝洁赞助新加坡AStar的文章，是想提升从分子结构预测香气的成功率。目前已经有蛮多从机器学习方法上改进气味预测的研究，这篇研究的创新点是加入「拓扑数据分析」的方法。
——————
以下是这篇宝洁和AStar合作的关于气味预测的文献详细解读：
----
一、研究背景
1. 行业与科学问题
① 从分子结构预测气味属性是香料、香精与化工行业长期未解决的难题；分子微小结构改动就会带来气味感知的巨大变化，结构‑气味关系（SOR）错综复杂，传统经验规则存在大量例外情况。
② 传统化学信息学描述符可以捕获理化与局部分子结构特征，但难以完整表征分子全局拓扑（分子形状、环系排布等）信息，制约气味预测模型性能提升。
2. 现有研究现状
① 机器学习已经用于气味多标签预测，已有深度神经网络、图神经网络、随机森林等模型，但大多依赖理化描述符、分子指纹，较少引入拓扑数据分析（TDA）特征。
② 持久同调（拓扑数据分析核心工具）已经在蛋白‑配体亲和力、溶解度、毒性预测得到验证，可以捕捉连通分支、环路、空腔等多尺度拓扑特征，但尚未系统用于多标签气味预测任务。
3. 数据集现状：公开嗅觉数据集来源不一，标签分为连续强度标签、二元有无标签；不同数据集的气味词汇不统一，存在语义同义但文本写法不同的问题，需要整合清洗。
----
二、研究目的
1. 构建融合传统化学信息学描述符与持久熵（Persistent Entropy，来自持久同调）的多标签气味预测机器学习框架，验证拓扑特征对气味预测的增益效果。
2. 整合多套专家标注二元嗅觉数据集，构建包含大量气味标签的数据集，提升模型泛化能力，支持系统化香料分子设计。
3. 通过消融实验、置换重要性分析，定量评估持久熵拓扑描述符对不同气味类别的贡献。
----
三、研究方法
1. 数据集构建与标签清洗
① 数据源：合并3套二元专家标注数据集：Arctander 1960、Leffingwell PMP 2001、Sigma Aldrich 2014，去重后得到5213种气味分子。
② 标签标准化：模糊字符串匹配+词干提取，合并语义相同写法不同气味标签，剔除样本仅为1的类别，最终保留151种气味描述词；数据集标签分布高度不平衡，长尾分布，高频标签：果香、青香、花香、甜香、草本、木香；大量标签样本不足30个。
③ 数据集划分：迭代分层划分，75%训练集、25%测试集，保证训练、测试集标签分布一致。
2. 分子描述符计算（两大特征组）
① 传统化学信息学描述符：使用PaDEL、RDKit、Mordred共计算3215个描述符，不使用MACCS、Morgan指纹，避免特征高度冗余。
② 拓扑持久熵描述符：由SMILES生成分子三维坐标，Vietoris‑Rips复形（Ripser库）计算持久图；Persim库计算H0、H1、H2三个维度持久熵，共3个拓扑特征，完整特征集合计3218个特征。
3. 特征筛选流程（分步过滤）
① 删除含缺失值特征，剩余1706；
② 方差阈值过滤低方差特征，剩余1348；
③ 删除相关系数>0.9高度相关特征，剩余669；
④ 随机森林递归特征消除RF‑RFE，最终保留517个建模特征；其中包含2个持久熵特征、14个Mordred、2个RDKit、2个PaDEL描述符，兼顾全局拓扑、电荷、极化率等理化信息。
4. 模型训练与超参优化
① 多标签策略：Scikit‑learn MultiOutputClassifier包装单标签分类器；对比3种模型：随机森林RF、K近邻KNN、决策树DT；class_weight设为balanced缓解类别不平衡。
② 5折网格搜索交叉验证调参；最优随机森林超参：树数量38，最大树深度10，叶节点最小样本15。
③ 评价指标：micro‑F1、macro‑F1、精确率Precision、召回率Recall；micro‑AUROC、macro‑AUROC。
5. 验证分析手段
① 消融实验：三组特征对比：全部筛选后特征、去除持久熵特征、仅持久熵特征；
② 特征置换重要性分析：评估持久熵对各个气味标签的贡献；
③ 和已发表文献模型横向对比。
----
四、研究结果
1. 模型性能对比
① 随机森林综合性能最优，测试集micro‑F1=0.305；macro‑AUROC=0.714；micro‑AUROC=0.866；KNN micro‑F1=0.220；DT micro‑F1=0.214。
② 标签层面性能：标签F1分数与该标签样本数量正相关；样本越多的气味类别预测效果越好。
2. 消融实验结果（持久熵的增益）
指标 全部特征 去掉持久熵 仅持久熵
① 加入持久熵后micro‑F1从0.293提升至0.305，相对提升4.10%；精确率、召回率、AUROC均同步提升；增益同时体现在高频、低频气味标签，不局限于大类。
② 仅使用持久熵特征，召回尚可，但精确率大幅下降，F1较低；证明持久熵不能单独使用，仅作为补充信息。
3. 置换重要性结果
① 40个测试样本≥30的气味标签中，持久熵对32个标签起到正向贡献，8个标签为负向贡献。
② 持久熵重要性与标签样本量无显著相关性（ρ=0.181，p=0.263）；拓扑特征的增益效果取决于气味类别本身，和标签样本多少无关。
4. 和前人工作对比：部分文献DNN+PPMF取得更高F1，但本文覆盖151个气味标签，标签数量远多于多数文献，泛化性更强，micro‑AUROC优于多数已发表模型。
----
五、讨论
1. 持久熵价值：持久熵捕获传统描述符难以覆盖的分子全局拓扑（连通组分、环系拓扑形态），是互补信息，而非替代传统化学信息学特征。
2. 性能瓶颈：数据集标签高度不平衡，低频气味标签样本稀缺，直接限制对应类别的预测F1；F1整体绝对值不算很高，是多标签气味预测领域普遍的难点。
3. 模型局限：仅使用持久熵对持久图做信息压缩，丢失持久图部分细节信息；本研究只使用二元标签，没有用到气味强度连续评分。
4. 未来方向：尝试持久图像、持久景观等更加丰富的持久同调表征，挖掘持久图更多信息；引入连续强度标签；拓展数据集规模。
----
六、结论
1. 该研究提出拓扑感知的多标签气味预测框架，融合传统化学信息学描述符和持久同调得到的持久熵拓扑特征；基于5213个分子、151种气味标签数据集，随机森林模型表现最优。
2. 消融与置换实验证实持久熵提供传统描述符不具备的全局拓扑信息，可以小幅但稳定提升多标签气味分类各项指标，增益作用依赖气味类别。
3. 该模型覆盖大量气味描述词，可为香精香料的系统性分子设计提供基础；后续可以探索更丰富的拓扑表征进一步提升性能。
——————
文献完整信息
1. 文章标题：Olfaction Prediction With Topology‑Aware Machine Learning
2. 全部作者：Qiang Wang, Guan Chee Loh, Souvik Chakraborty, Liling Zhang, William Wai Leung Yim, Shikhar Gupta
3. 作者单位
① Institute of Advanced Intelligence and Computing (IAIC), Agency for Science, Technology and Research (A*STAR), Singapore, Singapore
② Procter & Gamble Singapore Innovation Center, Singapore, Singapore
4. 期刊：Flavour and Fragrance Journal
5. 文章链接：https://onlinelibrary.wiley.com/doi/10.1002/ffj.70173
