Olfacto — ChemBERTa 138

Modelo aberto de predição de odor molecular: recebe um SMILES e retorna a probabilidade de 138 descritores olfativos (frutado, floral, defumado, etc.). Parte do projeto Olfacto AI, com interface em português.

Demo: Olfacto Space. Artigos: PT-BR no Hugging Face · PT-BR · EN.

Uso pretendido

Predição de qualidade olfativa de moléculas únicas a partir da estrutura.
Pesquisa em olfação computacional e exploração do espaço olfativo.
Educação e demonstrações em português.

Fora de escopo

Intensidade do odor (o dataset não anota intensidade).
Misturas (o modelo recebe uma molécula por vez).
Uso regulatório, médico ou de segurança alimentar.
Substituir painel sensorial humano.

Dados de treino

4.983 moléculas do dataset curado do OpenPOM, derivado dos catálogos GoodScents e Leffingwell, com 138 rótulos binários. Rótulo mais comum: fruity (1.902); mais raro: chamomile (31). Folds construídos com estratificação iterativa multi-label.

Resultados

Avaliação out-of-fold (5 folds, um modelo por fold, min_positives=20):

Métrica	Valor
ROC-AUC macro (OOF)	0.7516
IC 95% (bootstrap)	[0.7465, 0.7574]
ROC-AUC micro	0.8402
PR-AUC macro	0.1085
AUC por fold (média±dp)	0.7547 ± 0.0043
Rótulos avaliados	138

Comparação de modelos

Modelo	ROC-AUC macro (OOF)	ROC-AUC micro (OOF)
ChemBERTa (este modelo)	0.7516	0.8402
Morgan + LogReg	0.8285	0.8860
Ensemble (80% fingerprint)	0.8402	0.8956

Referência: o OpenPOM reporta 0.8872 com 5-fold CV e ensemble de 10 modelos. A comparação é uma ablation, não uma alegação de superioridade. Os rótulos vêm de catálogos e contêm ruído.

O arquivo fingerprint.joblib acompanha este repositório. O Space usa o ensemble (80% fingerprint + 20% ChemBERTa), que supera o transformer sozinho neste dataset.

Uso

from transformers import AutoModelForSequenceClassification, AutoTokenizer
import torch

model_id = "SamuelCagnani/olfacto-chemberta-138"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForSequenceClassification.from_pretrained(model_id)

inputs = tokenizer("CCO", return_tensors="pt", truncation=True, max_length=128)
with torch.no_grad():
    probs = torch.sigmoid(model(**inputs).logits)[0]

Limitações

Prevê qualidade olfativa, não intensidade.
Só moléculas únicas, não misturas.
Viés para fragrâncias e aromas comerciais, não para a culinária brasileira.
Rótulos ruidosos e desbalanceados; rótulos raros têm maior variância.
Não valide cheiros desconhecidos: o modelo sempre escolhe os rótulos mais próximos.

Citação

@misc{olfacto2026,
  author = {Samuel Cagnani},
  title = {Olfacto: open molecular odor prediction in Portuguese},
  year = {2026},
  url = {https://github.com/cagnani/olfacto-ai}
}

Dados originais: Lee et al. (2023), A Principal Odor Map Unifies Diverse Tasks in Human Olfactory Perception, Science. Código de referência: OpenPOM.