分子的化學結構很難告訴你任何有關氣味的資訊，兩種結構非常相似的化學物質，聞起來可能截然不同，而兩種不同化學結構的分子，卻能產生幾乎相同的氣味。日常所見如咖啡、調味料、香水等，都是數十種或數百種香氣分子的混合物，氣味在現階段還沒有明顯的參數可做依據，加深從化學角度理解人類嗅覺體驗的挑戰。
包括人類在內的動物已經進化出非常複雜的解碼系統，以辨識大量的氣味分子。所有的感官訊息都由受體處理，氣味也不例外，針對光線，人眼有 2 種類型的受體細胞，但對氣味，約有 400 種嗅覺受體（odorant receptor）。有關這些受體的訊號如何結合起來，觸發特定感受，人類還未完全掌握。
由於結構生物學、數據分析和 AI 的進步，探索嗅覺奧秘的進展開始好轉。許多科學家希望解開嗅覺的神祕面紗，幫助他們了解動物如何利用這種基本感覺來尋找食物或伴侶，以及它如何影響記憶、情緒、壓力、食慾等。
更有人試圖將氣味數位化，用於開發新技術，比方說根據氣味診斷疾病的設備、更好用更安全的驅蟲劑，或為價值 300 億美元的香精香料市場提供價格實惠、更能發揮香氣作用的芳香分子。
新創 Osmo 開發氣味圖譜
Google Brain 前研究科學家 Alex Wiltschko 帶領從 Google Research 拆分出去的新創公司 Osmo，深入氣味和嗅覺的研究。
去年 Osmo 與美國莫乃爾化學感官中心（Monell Chemical Senses Center）研究人員合作，他們以來自香氣目錄的數千個分子結構描述，以及每個分子結構的氣味形容詞（例如牛肉味、花香等）用於訓練模型，因此模型得以預測分子結構對應氣味的描述。
為了進一步驗證模型訓練成果，他們找來 15 位氣味專家，使用 55 種氣味形容詞（例如煙燻、蠟等），對數百種氣味進行評分，與模型比拚誰辨識氣味更準確。
事實上，人類很難完成這項任務，每個人嗅覺很主觀。莫乃爾的神經科學家 Joel Mainland 表示，大多數氣味描述缺乏細節。對於某種氣味，參與評分的氣味專家選擇「強烈的、甜的、烘烤的、奶油」等字眼，換成一位香水專家描述同樣的氣味，卻說像是滑雪小屋、沒有火的壁爐的味道，從中可以看出落差。
研究人員使用的 AI 演算法，僅根據分子結構就能預測化合物的氣味，這種 AI 演算法表現比一群人平均評分的結果還要出色，也比一個普通人用鼻子聞氣味更為準確。雖然 AI 演算法產生的圖譜非常複雜，有超過 250 項維度，但是它能夠將氣味按照不同類型進行分類，比方說肉類、酒精、木質等。
Joel Mainland 和 Osmo 團隊目前正在挑戰的研究是，弄清楚模型是否可以根據化合物成分來預測混合物氣味。另一目標是讓模型設計新的氣味，例如模仿特定氣味的化學物質，或者更安全、更永續、可生物分解的化學物質。
研究人類的嗅覺受體
不論是氣味專家或一般人，我們鼻子裡的嗅覺構造都是一樣的，鼻子有數百萬個嗅覺神經元，每個神經元通常只表達一種氣味類型的受體。這些受體的基因家族在 1990 年代初被發現，更讓醫學專家 Linda Buck 和 Richard Axel 贏得 2004 年諾貝爾生理學或醫學獎。
嗅覺神經元中每種受體可能辨識一種或多種氣味，而每種氣味同時被多種受體辨識。人類約有 400 種嗅覺受體可對成千上萬不同的化學物質做出反應，而解開嗅覺神祕面紗的關鍵步驟，是了解這些受體的樣子以及它們如何辨識化學物質。
加州大學舊金山分校的生物化學家 Aashish Manglik 專門研究嗅覺受體，在嘗試幾乎所有可能的嗅覺受體後，他和團隊成員發現了一種蛋白在鼻子外、腸道和前列腺內，在常用細胞比較容易製造出來，這種名為 OR51E2 的受體會對丙酸鹽做出反應，丙酸鹽聞起來有著刺鼻的起司味。他的團隊成為第一個成功發表與氣味結合的人類嗅覺受體蛋白質結構。
接下來，他們嘗試建立另一個未公開受體結構的 OR1A1，它能辨識多種氣味，包括一些水果香味、花香及薄荷香味。他們使用計算模型來探索 OR1A1 如何與有著薄荷醇氣味的 2 種化合物結合。
透過 Google DeepMind 的 AlphaFold 模型，提出哺乳動物氣味受體的數千種結構。機器學習和模型建立也幫助研究人員篩選數百萬種化合物，看看哪些可能與上述談到的 2 種受體相結合。由此可見 AI 加速生物和醫藥科技不斷向前發展，解決許多研究問題。
（首圖來源：shutterstock）
