グーグルには自社ブランドの香水がある。社内のある研究チームのオリジナル香水と呼んだほうがいいかもしれない。熟練のフランス人調香師たちの指導を受けて、ヴァニラ、ジャスミン、メロン、ストロベリーを組み合わせてつくった香りだ。

「出来は悪くありませんでしたよ」と、グーグルのアレックス・ウィルチコは言う。彼はこの香水の小瓶を自宅のキッチンに置いているという。

いまのところ、この香りの販売は予定されていない。だがグーグルは、またひとつわたしたちの暮らしにかかわる新たな分野に鼻を突っ込もうとしている。においの研究だ。

グーグルの人工知能（AI）研究チームである「Google Brain」は10月24日、査読前論文の掲載サイト「arXiv」でひとつの論文を発表した。分子の構造を基にそのにおいを推測させようと、機械学習アルゴリズムに施したトレーニングの過程を記した論文だ。

世界のほとんどの場所を見せてくれる「Google マップ」と比べれば、さほど役には立たないかもしれない。だが、嗅覚の分野で長いこと解決されずにいる数々の難題に、この技術が答えを出してくれるかもしれないのだ。

においには目安がない

嗅覚の研究は、ほかの多くの分野に後れをとっている。例えば、光については何世紀も前から解明が進んでいる。17世紀には、すでにアイザック・ニュートンがプリズムを使った実験によって、太陽の白色光が誰もが知る赤、オレンジ、黄、緑、青、藍、紫の7色に分かれることを証明している。

その後の研究によって、わたしたちが色の違いとして認識しているのは、実際には波長の違いであることも明らかになった。色相を円環状に並べたカラーホイールを見ると、それぞれの波長の関係性や、波長の長い赤や黄が波長の短い青や紫へと移り変わる様子がよくわかる。しかし、においにはそんなふうに目安となるものがない。

波長が光の基本要素だとすると、香りを構成しているのは分子ということになる。分子はわたしたちの鼻の中に入り込んで感覚器官に作用する。すると脳内の「嗅球」と呼ばれる小さい部分に信号が送られるのだ。

わたしたちは、たちまちピンとくる。「うーん、ポップコーンのいい匂い！」。波長を見るだけで、それがどんな色に見えるかを言い当てる科学者たちも、分子を見てにおいを当てることはできない。

実際のところ、分子のにおいをその化学構造から推測するのは、非常に困難であることがわかっている。原子をひとつ、結合部分を1カ所、変えたり切り取ったりしただけで、「バラの香りが腐った卵の臭いに変わってしまいます」と、このプロジェクトのリーダーを務めるウィルチコは言う。

グラフニューラルネットワークを応用

機械学習を利用して、ニンニクのようなにおいの分子と、ジャスミンに似せた香りの分子のそれぞれの構造の違いを突き止めようとする試みが、かつて行われている。15年に研究者たちが立ち上げた「DREAM嗅覚予測チャレンジ」と称するプロジェクトだ。

研究者たちは、まずクラウドソーシングを通じて数百人の協力者に香りの特徴を記述してもらい、そのデータを使ってさまざまな機械学習のアルゴリズムをテストした。トレーニングによって機械に分子の構造からにおいを予測させることが可能かどうか調べたのだ。

AIを使ってデータ処理を実施し、においをうまく予測できた研究チームがほかにいくつかあった。しかし、ウィルチコのチームが選んだのは別の方法だった。グラフニューラルネットワーク（GNN）と呼ばれる手法を用いたのだ。

機械学習のアルゴリズムでは、ほとんどの場合に情報を長方形のグリッドに入力する必要がある。しかし、すべての情報がこの形式に適しているとは限らない。これに対してGNNを使えば、グラフからデータを読みとることができるのだ。グラフというのは、例えばソーシャルメディアサイトの友人間ネットワークや、学会誌から引用した学術論文に関する情報ネットワークの図表といったものである。

この手法は、ソーシャルメディア上で次に誰と誰が友だちになるかを予測するために使われたりする。ウィルチコのチームがGNNでさまざまな分子の構造を分析した結果、例えばある分子では窒素原子が炭素原子から原子5つぶん離れた位置に並んでいることがわかった。

他のモデルに劣らぬ正確さ

グーグルの研究チームは、熟練の嗅覚をもつ調香師たちから5,000個に及ぶ分子を取り寄せ、それら一つひとつを慎重に「ウッディ調」「ジャスミンの香り」「甘い香り」といった記述と組み合わせてペアをつくった。そのうちの3分の2ほどを使ってGNNにトレーニングを施したあと、残りの分子の香りをGNNが当てられるかテストしてみた。その結果は良好だった。

実際、初回のテストでGNNはほかの研究グループが考案したモデルに劣らぬ正確さを見せた。ウィルチコは、自分たちのモデルに改良を加えればさらによい結果が得られるだろうと語っている。「これで嗅覚分野の研究は大きく前進したと思います」と、彼は言う。

ほかの機械学習ツールと同様、グーグルのGNNの精度はデータの質に左右されてしまう。それでも、これまでどちらかというと貧弱だったにおいのデータベースに数千もの分子のサンプルを追加できたという意味で、このプロジェクトには大きな価値がある。

このデータベースが「既存のアルゴリズムと今後のほかのアルゴリズムの改良を支える土台を築くだろう」と、コールド・スプリング・ハーバー研究所の研究員であるアレクセイ・クラコフは語る。機械学習モデルから人間の聴覚に関する何らかの学びが得られるかどうかは定かでないと、彼は指摘する。ニューラルネットワークの構造が、人間の嗅覚器官とは違うからだ。

カラーホイールの香りヴァージョンが完成する？

AIがにおいをどう理解するかと、わたしたちがにおいをどう感じるかは、まったく別の問題だ。鍛えられた嗅覚をもつ専門家でさえ、構造を見る限り別々のにおいを放つはずのふたつの分子を、「どちらもウッディな香りだ」とか「どちらも土っぽいにおいだ」と評することがある。「このことは大いなる警告として受けとめなければなりません」と、ウィルチコは言う。

彼はまた、GNNに重大な弱点があることも認めている。同じ原子と結合様式をもちながら配列が左右対称な、キラル（対掌性）ペアと呼ばれる2種類の分子を見わけることができないのだ。配列が逆であれば、両者のにおいは根本的に異なる。キャラウェイとスペアミントがその一例だが、GNNはこのふたつを同じ香りと判定してしまうだろう。

「われわれのデータベースにもキラルペアが何組か含まれています。それらの香りを正しく判別することは、おそらくできないでしょう」とウィルチコは言う。この問題の解決策を見つけることが次の一歩になるはずだ。

またこの研究では、ミックスしたり組み合わせたりした香りについての言及がほとんどない。香りを混ぜ合わせた場合、一つひとつの分子の香りの感じ方は人によって大きく異なるはずだ。しかし、分子のにおい方にどんな特性やパターンがあるのかを解明できれば、嗅覚分野の研究は大きく前進するだろう。

「実現できれば、ものすごい快挙だと思います」と、モネル化学感覚研究所でにおいの研究に従事するヨハネス・ライセルトは言う。どの分子同士が似通っていて、どの分子同士に関連性があるのかを詳細に示す、カラーホイールの香りヴァージョンがついに完成するのかもしれない。グーグルのプロジェクトは始まったばかりだが、「確かな一歩を踏み出した」とライセルトは評価している。