
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于多模态特征和深度学习网络的新型方法,用于解码嗅觉受体与分子的相互作用
《IEEE Transactions on Neural Networks and Learning Systems》:Novel Approach for Decoding Olfactory Receptors Interactions With Molecules Based on Multimodal Feature and Deep Learning Network
【字体: 大 中 小 】 时间:2026年04月09日 来源:IEEE Transactions on Neural Networks and Learning Systems 8.9
编辑推荐:
分子-嗅觉受体互作预测与受体结构特征分析
嗅觉是最基本的感觉模式之一,能够识别和区分数千种气味分子[1],在塑造人类感知方面发挥着关键作用。人类的嗅觉感知是由大约300-400种不同的嗅觉受体(ORs)[2]激活产生的,这些受体通过与所述气味分子的相互作用而被触发。气味分子与嗅觉受体之间的相互作用本质上是复杂且不连续的[3]。具体来说,结构相似的分子不一定能够结合到相同的受体上,而结构不同的分子也可能与相同的受体发生相互作用[4],[5],如图1所示。一个典型的例子是乙酮,它可以与OR8K3、OR2M7、OR10A6、OR10G3和OR10G9等嗅觉受体结合。然而,结构相似的分子并不一定共享相同的受体,一些相邻的受体在结构上也存在显著差异。
分子与嗅觉受体之间的复杂相互作用。(a) 乙酮,参考分子。结构相似的分子不一定结合到相同的嗅觉受体上。(b) 丙氧乙烷,参考分子。然而,结构不同的分子却可以结合到许多相同的嗅觉受体上,其中黑色和浅色分别表示相同的和不同的嗅觉受体。