近日，计算机与人工智能学院孙建德教授课题组在人工智能顶级期刊《Pattern Recognition》上发表了题为 “Multi-Level Graph Attention Networks for Bridging the Molecular Structure and Odor” 的高水平学术论文。 (Hongxin Xie, Jiande Sun, Zhihui Li, Xin Guo, Tianlin Zhang, Xiaojun Chang, Multi-level graph attention networks for bridging the molecular structure and odor, Pattern Recognition, Volume 180, Part D, 2026, 114451, ISSN 0031-3203)
气味感知是生物与环境交互的关键模态，亦是模式识别领域待深挖的重要方向，在智能电子鼻、虚拟现实等场景应用潜力显著。相较视觉、语音任务，气味智能研究仍处起步阶段，核心瓶颈在于分子结构与气味感知间存在高度复杂的非线性映射，精准建模这一关联始终是分子气味预测的核心命题。现有方法多依赖人工设计分子描述符、指纹或简易图神经网络，难以充分耦合局部原子相互作用与全局拓扑特征，制约预测性能提升。此外，当前研究普遍聚焦分子到气味的单向映射，而气味描述反向推断潜在分子结构的统一建模框架尚属空白，极大限制了气味驱动分子设计与跨模态推理的发展。
为了解决上述问题，孙建德教授课题组提出了一种面向分子结构与气味双向建模的新型预测框架。针对分子到气味任务，提出HAGNet，通过多层级结构特征提取、层次注意力学习以及自适应特征融合，实现了对分子多尺度结构信息的充分建模；针对气味到分子结构任务，提出ReDANet，通过气味语义增强、语义解耦表示和残差知识蒸馏，有效建立了由气味语义到分子SMILES结构的映射关系。实验结果表明，两种模型均取得了优于现有方法的预测性能，并首次构建了分子结构与气味之间的双向预测范式，为分子表示学习、气味智能计算以及跨模态分子设计提供了新的研究思路。
在公开分子气味预测数据集上的对比实验表明，HAGNet在AUROC和F1 Score上均优于现有图神经网络及传统机器学习方法，验证了多层级结构建模能有效融合局部原子信息、化学键关系与全局拓扑结构，精准刻画分子与气味的复杂映射。针对ReDANet的实验显示，其气味描述增强策略可有效扩展语义空间，丰富气味表达能力；同时，移除气味语义解耦或残差知识蒸馏模块均导致性能下降，证实二者对优化气味语义表征、促进跨路径信息融合有关键作用，为气味到分子结构的逆向推断提供了可靠支撑。
《Pattern Recognition》为中科院一区 Top 期刊，影响因子 9.1，是模式识别与人工智能领域的核心刊物。我校计算机与人工智能学院孙建德教授为论文通讯作者，硕士研究生解洪新为论文第一作者。
