WO2021200780A1

WO2021200780A1 - 物質における香気特性または嗅覚受容体活性化特性の有無を予測する方法

Info

Publication number: WO2021200780A1
Application number: PCT/JP2021/013181
Authority: WO
Inventors: 悠介井原; 千織伊地知; 弥生河戸; 康子染川; 広川　貴次
Original assignee: 味の素株式会社
Priority date: 2020-03-30
Filing date: 2021-03-29
Publication date: 2021-10-07
Also published as: US20230085282A1; EP4130736A4; JPWO2021200780A1; EP4130736A1

Abstract

物質における香気特性または嗅覚受容体活性化特性の有無を予測する技術を提供する。試験物質と対照物質間での立体化学構造の最大類似度に基づいて該試験物質について前記目的の特性の有無を予測する。

Description

物質における香気特性または嗅覚受容体活性化特性の有無を予測する方法

　本発明は、一態様において、物質における香気特性または嗅覚受容体活性化特性の有無を予測する技術に関するものである。また、本発明は、別の態様において、物質における香気特性や分子構造等の構成要素の有無を予測する技術に関するものである。また、本発明は、別の態様において、物質における香気特性への適合度を予測する技術に関するものである。

　香気は、食品や香粧品等の嗜好性を左右する重要な要素である。そのため、目的の香気を再現するために必要な香気成分をスクリーニングする技術や香気成分を組み合わせて目的の香気を再現する技術は、食品や香粧品等を開発するために産業上重要な技術である。

　従来、香気成分のスクリーニングは、ヒトが官能試験によって試験物質の香気を評価することによって実施されてきた。しかし、官能試験には、香気を評価できる専門家の育成が必要なことや、スループット性が低いこと等の問題がある。

　ヒト等の哺乳動物においては、香気は、鼻腔上部の嗅上皮に存在する嗅神経細胞上の嗅覚受容体に香気成分の分子が結合し、当該分子に対する当該受容体の応答が中枢神経系へと伝達されることにより認識されている。近年、嗅覚受容体の応答を指標として目的の香気を呈する物質をスクリーニングする方法が報告されている（特許文献１等）。

　近年、機械学習技術の発展に伴い、化合物の構造から直接香気特性を予測する研究が行われている（非特許文献１～３）。予測モデルの精度向上における技術的なポイントは、分子構造の数値化、予測アルゴリズム、および学習に供するデータの量と質の３点に大別される。このうち分子構造の数値化に関する既存の方法としては、分子構造から物理化学的特徴量を算出する方法（DragonやEPI Suite等）、部分分子構造の有無を1/0でビット化した分子フィンガープリント（MACCS KeysやMorganフィンガープリント等）を作成し分子間の構造類似度を算出する方法、分子構造をグラフ（ネットワーク）或いは画像とみなしニューラルネットワーク技術により強引に数値化する方法が知られている。ここで、いずれの方法においても、１化合物１構造が想定されており、多重立体配座に関する情報は無視されている。

特開2019-037197

Kobi Snitz et. al., Predicting Odor Perceptual Similarity from Odor Structure. PLoS Comput Biol 9(9): e1003184, September 2013. Andreas Keller et. al., Predicting human olfactory perception from chemical features of odor molecules. Science, 355(6327):820-826, February 2017. Benjamin Sanchez-Lengeling et. al., Machine Learning for Scent: Learning Generalizable Perceptual Representations of Small Molecules. arXiv:1910.10685v1, October 2019.

　本発明は、一態様において、物質における香気特性または嗅覚受容体活性化特性の有無を予測する技術を提供することを課題とする。また、本発明は、別の態様において、物質における香気特性や分子構造等の構成要素の有無を予測する技術を提供することを課題とする。また、本発明は、別の態様において、物質における香気特性への適合度を予測する技術を提供することを課題とする。

　本発明者らは、試験物質と対照物質間での立体化学構造の最大類似度に基づいて該試験物質について前記目的の特性の有無を予測できることを見出し、本発明の一態様を完成させた。

　すなわち、一態様において、本発明は以下の通り例示できる。
［１］
　試験物質について目的の特性の有無を予測する方法であって、
　試験物質と対照物質間での立体化学構造の最大類似度に基づいて該試験物質について前記目的の特性の有無を予測する工程
　を含み、
　前記特性が、香気特性または嗅覚受容体活性化特性である、方法。
［２］
　前記対照物質が、前記目的の特性についての陽性対照を含む、前記方法。
［３］
　前記対照物質が、１種の物質である、前記方法。
［４］
　前記対照物質が、２種またはそれ以上の物質の組み合わせである、前記方法。
［５］
　前記対照物質が、前記目的の特性についての陽性対照を含み、
　前記試験物質と前記陽性対照間での立体化学構造の最大類似度が高い場合に、該試験物質が前記目的の特性を有すると予測する、前記方法。
［６］
　前記予測が、前記試験物質と前記対照物質間での立体化学構造の最大類似度に基づいて該試験物質と該対照物質をクラスタリングする工程を含む、前記方法。
［７］
　前記対照物質が、前記目的の特性についての陽性対照を含み、
　前記試験物質が前記陽性対照を含むクラスタにクラスタリングされる場合に、該試験物質が前記目的の特性を有すると予測する、前記方法。
［８］
　前記予測の前に、さらに、前記最大類似度を算出する工程を含む、前記方法。
［９］
　目的の特性を有する物質をスクリーニングする方法であって、
　前記方法により試験物質について前記目的の特性の有無を予測する工程、および
　前記目的の特性を有すると予測された試験物質を該目的の特性を有する物質として選抜する工程
　を含み、
　前記特性が、香気特性または嗅覚受容体活性化特性である、方法。
［１０］
　さらに、前記目的の特性を有すると予測された試験物質について該目的の特性の有無を確認する工程を含む、前記方法。
［１１］
　前記最大類似度が、該最大類似度以外の、前記試験物質と前記対照物質間の構造類似度と組み合わせて前記予測に用いられる、前記方法。
［１２］
　目的の特性を有する物質を設計する方法であって、
　設計対象の物質を、該設計対象の物質と対照物質間の立体化学構造の最大類似度に基づいて設計する工程
　を含み、
　前記特性が、香気特性または嗅覚受容体活性化特性である、方法。
［１３］
　前記対照物質が、前記目的の特性についての陽性対照を含み、
　前記設計が、前記設計対象の物質が前記陽性対照を含むクラスタにクラスタリングされるように実施され、
　前記クラスタリングが、前記設計対象の物質と前記対照物質間での立体化学構造の最大類似度に基づいて該設計対象の物質と該対照物質をクラスタリングする工程を含む、前記方法。

　また、本発明者らは、物質における香気特性または分子構造の有無を予測するモデルを機械学習により生成できることを見出し、本発明の別の態様を完成させた。

　すなわち、別の態様において、本発明は以下の通り例示できる。
［１］
　試験物質について目的の構成要素の有無を予測するモデルの製造方法であって、
　前記モデルが、前記試験物質の試験嗅覚受容体活性化データに基づいて該試験物質における前記目的の構成要素の有無についての分類結果を出力する決定木を含み、
　前記方法が、機械学習により前記決定木を生成する工程を含み、
　前記構成要素が、香気特性または分子構造であり、
　前記試験嗅覚受容体活性化データが、前記試験物質による試験嗅覚受容体の活性化に関するデータである、方法。
［２］
　前記機械学習が、対照物質の構成要素データおよび対照嗅覚受容体活性化データを含むデータセットを用いて実施され、
　前記構成要素データが、前記対照物質における前記目的の構成要素に関するデータであり、
　前記対照嗅覚受容体活性化データが、前記対照物質による対照嗅覚受容体の活性化に関するデータであり、
　前記対照物質が、陽性対照と陰性対照を含む２種またはそれ以上の物質の組み合わせであり、
　前記対照嗅覚受容体が、前記試験嗅覚受容体を含む２種またはそれ以上の嗅覚受容体の組み合わせである、前記方法。
［３］
　前記構成要素データが、前記対照物質における前記目的の構成要素の有無を示すデータであり、
　前記対照嗅覚受容体活性化データが、前記対照物質による前記対照嗅覚受容体の活性化の程度を示すデータである、前記方法。
［４］
　前記機械学習が、前記構成要素データを目的変数とし、かつ、前記対照嗅覚受容体活性化データを説明変数として実施される、前記方法。
［５］
　前記機械学習が、CARTにより実施される、前記方法。
［６］
　前記機械学習が、アンサンブル学習により実施される、前記方法。
［７］
　前記対照物質が、５００種またはそれ以上の物質の組み合わせである、前記方法。
［８］
　前記対照物質の総数の５０％以上が、The Good Scents Companyに記載の化合物から選択される、前記方法。
［９］
　前記試験嗅覚受容体が、１種の嗅覚受容体であるか、２種またはそれ以上の嗅覚受容体の組み合わせである、前記方法。
［１０］
　前記対照嗅覚受容体が、３００種またはそれ以上の嗅覚受容体の組み合わせである、前記方法。
［１１］
　前記対照嗅覚受容体の総数の５０％以上が、OR1A1、OR1A2、OR1B1、OR1C1、OR1D2、OR1D5、OR1E1、OR1F1、OR1F12、OR1G1、OR1I1、OR1J1、OR1J2、OR1J4、OR1K1、OR1L1、OR1L3、OR1L4、OR1L8、OR1M1、OR1N1、OR1N2、OR1Q1、OR1R1P、OR1S1、OR2A1、OR2A2、OR2A4、OR2A5、OR2A12、OR2A14、OR2A25、OR2AE1、OR2AG1、OR2AG2、OR2AJ1P、OR2AK2、OR2AP1、OR2AT4、OR2B2、OR2B3、OR2B6、OR2B11、OR2C1、OR2C3、OR2D2、OR2D3、OR2F1、OR2G2、OR2G3、OR2G6、OR2H1、OR2H2、OR2J2、OR2J3、OR2K2、OR2L2、OR2L8、OR2L13、OR2M2、OR2M4、OR2M7、OR2S2、OR2T1、OR2T2、OR2T5、OR2T6、OR2T8、OR2T10、OR2T11、OR2T27、OR2T34、OR2V2、OR2W1、OR2W3、OR2Y1、OR2Z1、OR3A1、OR3A2、OR3A3、OR3A4、OR4A5、OR4A15、OR4A16、OR4A47、OR4B1、OR4C3、OR4C5、OR4C6、OR4C11、OR4C12、OR4C13、OR4C15、OR4C16、OR4C46、OR4D1、OR4D2、OR4D5、OR4D6、OR4D9、OR4D10、OR4D11、OR4E2、OR4F3、OR4F5、OR4F6、OR4F14P、OR4F15、OR4G11P、OR4H12P、OR4K1、OR4K2、OR4K5、OR4K13、OR4K14、OR4K15、OR4K17、OR4L1、OR4M1、OR4N2、OR4N4、OR4N5、OR4P4、OR4Q3、OR4S1、OR4S2、OR4X1、OR4X2、OR5A1、OR5A2、OR5AC2、OR5AK2、OR5AK3P、OR5AN1、OR5AP2、OR5AR1、OR5AS1、OR5AU1、OR5B2、OR5B3、OR5B12、OR5B17、OR5B21、OR5C1、OR5D13、OR5D14、OR5D16、OR5D18、OR5F1、OR5H1、OR5H2、OR5H6、OR5H14、OR5I1、OR5J2、OR5K1、OR5K3、OR5K4、OR5L2、OR5M3、OR5M8、OR5M9、OR5M10、OR5M11、OR5P3、OR5R1、OR5T1、OR5T2、OR5T3、OR5V1、OR5W2、OR6A2、OR6B1、OR6B2、OR6C1、OR6C2、OR6C3、OR6C4、OR6C6、OR6C65、OR6C66P、OR6C68、OR6C70、OR6C74、OR6C75、OR6C76、OR6F1、OR6J1、OR6K2、OR6K3、OR6K6、OR6M1、OR6N1、OR6N2、OR6P1、OR6Q1、OR6S1、OR6T1、OR6V1、OR6X1、OR6Y1、OR7A3P、OR7A5、OR7A10、OR7A17、OR7C1、OR7C2、OR7D2、OR7D4、OR7E24、OR7G1、OR7G2、OR7G3、OR8A1、OR8B3、OR8B4、OR8B8、OR8B12、OR8D1、OR8D2、OR8D4、OR8G2、OR8G5、OR8H3、OR8I2、OR8J1、OR8J3、OR8K1、OR8K3、OR8K5、OR8S1、OR8U1、OR9A4、OR9G1、OR9G4、OR9I1、OR9K2、OR9Q1、OR9Q2、OR10A3、OR10A4、OR10A5、OR10A6、OR10A7、OR10AD1、OR10AG1、OR10C1、OR10D3、OR10D4P、OR10G2、OR10G3、OR10G4、OR10G6、OR10G7、OR10G9、OR10H2、OR10H4、OR10J1、OR10J3、OR10J5、OR10K1、OR10K2、OR10P1、OR10Q1、OR10R2、OR10S1、OR10T2、OR10V1、OR10W1、OR10X1、OR10Z1、OR11A1、OR11G2、OR11H4、OR11H6、OR11H12、OR11L1、OR12D2、OR12D3、OR13A1、OR13C2、OR13C3、OR13C4、OR13C8、OR13D1、OR13F1、OR13G1、OR13H1、OR13J1、OR14A2、OR14A16、OR14C36、OR14I1、OR14J1、OR14K1、OR14L1P、OR51A1P、OR51A4、OR51A7、OR51B2、OR51B4、OR51B5、OR51B6、OR51D1、OR51E1、OR51E2、OR51F1、OR51F2、OR51F5P、OR51G1、OR51G2、OR51H1、OR51I1、OR51I2、OR51L1、OR51M1、OR51Q1、OR51S1、OR51T1、OR51V1、OR52A1、OR52A4、OR52A5、OR52B2、OR52B4、OR52B6、OR52D1、OR52E2、OR52E4、OR52E5、OR52E8、OR52H1、OR52I2、OR52J3、OR52K2、OR52L2P、OR52M1、OR52N1、OR52N2、OR52N4、OR52N5、OR52P2P、OR52R1、OR52W1、OR52Z1P、OR56A1、OR56A3、OR56A4、OR56A5、OR56B1、OR56B2P、OR56B4から選択される、前記方法。
［１２］
　前記対照嗅覚受容体が、ヒトの嗅覚受容体である、前記方法。
［１３］
　前記方法により製造されたモデル。
［１４］
　試験物質について目的の構成要素の有無を予測する方法であって、
　試験物質の試験嗅覚受容体活性化データと前記モデルとに基づいて該試験物質について前記目的の構成要素の有無を予測する工程
　を含み、
　前記構成要素が、香気特性または分子構造である、方法。
［１５］
　目的の構成要素を有する物質をスクリーニングする方法であって、
　試験物質の試験嗅覚受容体活性化データと前記モデルとに基づいて該試験物質について前記目的の構成要素の有無を予測する工程、および
　前記目的の構成要素を有すると予測された試験物質を該目的の構成要素を有する物質として選抜する工程
　を含み、
　前記構成要素が、香気特性または分子構造である、方法。
［１６］
　前記試験物質が陽性対照の比率が５０％以上であるリーフノードに分類される場合に、該試験物質が前記目的の構成要素を有すると予測する、前記方法。
［１７］
　さらに、前記目的の構成要素を有すると予測された試験物質について該目的の構成要素の有無を確認する工程を含む、前記方法。

　また、本発明者らは、物質における香気特性への適合度を予測するモデルを機械学習により生成できることを見出し、本発明の別の態様を完成させた。

　すなわち、別の態様において、本発明は以下の通り例示できる。
［１］
　試験物質について目的の香気特性への適合度を予測するモデルの製造方法であって、
　前記モデルが、前記試験物質の試験嗅覚受容体活性化データに基づいて該試験物質の前記適合度の予測値を出力する回帰式を含み、
　前記方法が、機械学習により前記回帰式を生成する工程を含み、
　前記試験嗅覚受容体活性化データが、前記試験物質による試験嗅覚受容体の活性化に関するデータである、方法。
［２］
　前記回帰式が、線形回帰式である、前記方法。
［３］
　前記機械学習が、対照物質の香気特性データおよび対照嗅覚受容体活性化データを含むデータセットを用いて実施され、
　前記香気特性データが、前記対照物質における前記目的の香気特性への適合度を示すデータであり、
　前記対照嗅覚受容体活性化データが、前記対照物質による対照嗅覚受容体の活性化に関するデータであり、
　前記対照物質が、２種またはそれ以上の物質の組み合わせであり、
　前記対照嗅覚受容体が、前記試験嗅覚受容体を含む２種またはそれ以上の嗅覚受容体の組み合わせである、前記方法。
［４］
　前記対照嗅覚受容体活性化データが、前記対照物質による前記対照嗅覚受容体の活性化の程度を示すデータである、前記方法。
［５］
　前記機械学習が、前記香気特性データを目的変数とし、かつ、前記対照嗅覚受容体活性化データを説明変数として実施される、前記方法。
［６］
　前記対照物質が、１００種またはそれ以上の物質の組み合わせである、前記方法。
［７］
　前記対照物質の総数の５０％以上が、Atlas of odor character profilesに記載の化合物から選択される、前記方法。
［８］
　前記香気特性データが、Atlas of odor character profilesに記載の基準に従って算出されるpercentage of applicability値である、前記方法。
［９］
　前記試験嗅覚受容体が、１０種またはそれ以上の嗅覚受容体の組み合わせである、前記方法。
［１０］
　前記対照嗅覚受容体が、３００種またはそれ以上の嗅覚受容体の組み合わせである、前記方法。
［１１］
　前記対照嗅覚受容体の総数の５０％以上が、OR1A1、OR1A2、OR1B1、OR1C1、OR1D2、OR1D5、OR1E1、OR1F1、OR1F12、OR1G1、OR1I1、OR1J1、OR1J2、OR1J4、OR1K1、OR1L1、OR1L3、OR1L4、OR1L8、OR1M1、OR1N1、OR1N2、OR1Q1、OR1R1P、OR1S1、OR2A1、OR2A2、OR2A4、OR2A5、OR2A12、OR2A14、OR2A25、OR2AE1、OR2AG1、OR2AG2、OR2AJ1P、OR2AK2、OR2AP1、OR2AT4、OR2B2、OR2B3、OR2B6、OR2B11、OR2C1、OR2C3、OR2D2、OR2D3、OR2F1、OR2G2、OR2G3、OR2G6、OR2H1、OR2H2、OR2J2、OR2J3、OR2K2、OR2L2、OR2L8、OR2L13、OR2M2、OR2M4、OR2M7、OR2S2、OR2T1、OR2T2、OR2T5、OR2T6、OR2T8、OR2T10、OR2T11、OR2T27、OR2T34、OR2V2、OR2W1、OR2W3、OR2Y1、OR2Z1、OR3A1、OR3A2、OR3A3、OR3A4、OR4A5、OR4A15、OR4A16、OR4A47、OR4B1、OR4C3、OR4C5、OR4C6、OR4C11、OR4C12、OR4C13、OR4C15、OR4C16、OR4C46、OR4D1、OR4D2、OR4D5、OR4D6、OR4D9、OR4D10、OR4D11、OR4E2、OR4F3、OR4F5、OR4F6、OR4F14P、OR4F15、OR4G11P、OR4H12P、OR4K1、OR4K2、OR4K5、OR4K13、OR4K14、OR4K15、OR4K17、OR4L1、OR4M1、OR4N2、OR4N4、OR4N5、OR4P4、OR4Q3、OR4S1、OR4S2、OR4X1、OR4X2、OR5A1、OR5A2、OR5AC2、OR5AK2、OR5AK3P、OR5AN1、OR5AP2、OR5AR1、OR5AS1、OR5AU1、OR5B2、OR5B3、OR5B12、OR5B17、OR5B21、OR5C1、OR5D13、OR5D14、OR5D16、OR5D18、OR5F1、OR5H1、OR5H2、OR5H6、OR5H14、OR5I1、OR5J2、OR5K1、OR5K3、OR5K4、OR5L2、OR5M3、OR5M8、OR5M9、OR5M10、OR5M11、OR5P3、OR5R1、OR5T1、OR5T2、OR5T3、OR5V1、OR5W2、OR6A2、OR6B1、OR6B2、OR6C1、OR6C2、OR6C3、OR6C4、OR6C6、OR6C65、OR6C66P、OR6C68、OR6C70、OR6C74、OR6C75、OR6C76、OR6F1、OR6J1、OR6K2、OR6K3、OR6K6、OR6M1、OR6N1、OR6N2、OR6P1、OR6Q1、OR6S1、OR6T1、OR6V1、OR6X1、OR6Y1、OR7A3P、OR7A5、OR7A10、OR7A17、OR7C1、OR7C2、OR7D2、OR7D4、OR7E24、OR7G1、OR7G2、OR7G3、OR8A1、OR8B3、OR8B4、OR8B8、OR8B12、OR8D1、OR8D2、OR8D4、OR8G2、OR8G5、OR8H3、OR8I2、OR8J1、OR8J3、OR8K1、OR8K3、OR8K5、OR8S1、OR8U1、OR9A4、OR9G1、OR9G4、OR9I1、OR9K2、OR9Q1、OR9Q2、OR10A3、OR10A4、OR10A5、OR10A6、OR10A7、OR10AD1、OR10AG1、OR10C1、OR10D3、OR10D4P、OR10G2、OR10G3、OR10G4、OR10G6、OR10G7、OR10G9、OR10H2、OR10H4、OR10J1、OR10J3、OR10J5、OR10K1、OR10K2、OR10P1、OR10Q1、OR10R2、OR10S1、OR10T2、OR10V1、OR10W1、OR10X1、OR10Z1、OR11A1、OR11G2、OR11H4、OR11H6、OR11H12、OR11L1、OR12D2、OR12D3、OR13A1、OR13C2、OR13C3、OR13C4、OR13C8、OR13D1、OR13F1、OR13G1、OR13H1、OR13J1、OR14A2、OR14A16、OR14C36、OR14I1、OR14J1、OR14K1、OR14L1P、OR51A1P、OR51A4、OR51A7、OR51B2、OR51B4、OR51B5、OR51B6、OR51D1、OR51E1、OR51E2、OR51F1、OR51F2、OR51F5P、OR51G1、OR51G2、OR51H1、OR51I1、OR51I2、OR51L1、OR51M1、OR51Q1、OR51S1、OR51T1、OR51V1、OR52A1、OR52A4、OR52A5、OR52B2、OR52B4、OR52B6、OR52D1、OR52E2、OR52E4、OR52E5、OR52E8、OR52H1、OR52I2、OR52J3、OR52K2、OR52L2P、OR52M1、OR52N1、OR52N2、OR52N4、OR52N5、OR52P2P、OR52R1、OR52W1、OR52Z1P、OR56A1、OR56A3、OR56A4、OR56A5、OR56B1、OR56B2P、OR56B4から選択される、前記方法。
［１２］
　前記対照嗅覚受容体が、ヒトの嗅覚受容体である、前記方法。
［１３］
　前記対照嗅覚受容体の内、前記香気特性データおよび前記対照嗅覚受容体活性化データの相関係数の絶対値が０．２超である嗅覚受容体についての前記対照嗅覚受容体活性化データが、説明変数として前記機械学習に用いられる、前記方法。
［１４］
　前記工程が、前記機械学習の前に、前記香気特性データおよび前記対照嗅覚受容体活性化データの相関係数を算出する工程を含む、前記方法。
［１５］
　前記方法により製造されたモデル。
［１６］
　試験物質について目的の香気特性への適合度を予測する方法であって、
　試験物質の試験嗅覚受容体活性化データと前記モデルとに基づいて該試験物質について前記目的の香気特性への適合度を予測する工程
　を含む、方法。
［１７］
　目的の香気特性への適合度が高い物質をスクリーニングする方法であって、
　試験物質の試験嗅覚受容体活性化データと前記モデルとに基づいて該試験物質について前記目的の香気特性への適合度を予測する工程、および
　前記目的の香気特性への適合度が高いと予測された試験物質を該目的の香気特性への適合度が高い物質として選抜する工程
　を含む、方法。
［１８］
　さらに、前記目的の香気特性への適合度が高いと予測された試験物質について該目的の香気特性への適合度を確認する工程を含む、前記方法。

立体化学構造類似度行列のヒートマップを示す図（中間調画像）。 t-SNEによる立体化学構造類似度空間の可視化の結果を示す図（中間調画像）。立体化学構造類似度空間における「OR4S2活性」の分布を示す図（中間調画像）。立体化学構造類似度空間における「OR5K1活性」の分布を示す図（中間調画像）。立体化学構造類似度空間における「OR10G4活性」の分布を示す図（中間調画像）。立体化学構造類似度空間における香気特性「onion」の分布を示す図（中間調画像）。立体化学構造類似度空間における香気特性「nutty」の分布を示す図（中間調画像）。立体化学構造類似度空間における香気特性「phenolic」の分布を示す図（中間調画像）。立体化学構造類似度と分子フィンガープリント類似度を各種混合比率で混合して匂いの類似度との相関を評価した結果を示す図（中間調画像）。立体化学構造類似度と分子フィンガープリント類似度を各種混合比率で混合して匂いの類似度との相関を評価した結果を示す図（中間調画像）。香気特性「焦げ」の樹形モデルを示す図。香気特性「甘い」の樹形モデルを示す図。香気特性「ナッツ」の樹形モデルを示す図。ピラジン骨格の樹形モデルを示す図。アルデヒド基の樹形モデルを示す図。エステル結合の樹形モデルを示す図。香気特性「STARWBERRY」のP.A.実測値とP.A.予測値の関係を示す図。香気特性「ANISE (LICORICE)」のP.A.実測値とP.A.予測値の関係を示す図。香気特性「NEW RUBBER」のP.A.実測値とP.A.予測値の関係を示す図。

（Ａ）本発明の第１の態様
　以下、本発明の第１の態様について、具体的には、本発明の第１の態様に係る本発明の予測方法および本発明の設計方法について記載する。

＜１＞本発明の第１の態様に係る本発明の予測方法
　本発明の予測方法は、試験物質について目的の特性の有無を予測する方法である。「試験物質について目的の特性の有無を予測する」とは、試験物質が目的の特性を有するか否かを予測することを意味する。試験物質について目的の特性の有無を予測することを、以下、単に「予測」ともいう。予測は、試験物質と対照物質間での立体化学構造の最大類似度に基づいて実施することができる。すなわち、本発明の予測方法は、試験物質と対照物質間での立体化学構造の最大類似度に基づいて試験物質について目的の特性の有無を予測する工程を含んでいてよい。同工程を、「予測工程」ともいう。試験物質と対照物質間での立体化学構造の最大類似度に基づいて予測を実施することにより、例えば、分子フィンガープリント類似度等の、多重立体配座を考慮しない物質間の構造類似度に基づいて予測を実施する場合と比較して、予測の精度が向上し得る。

　また、試験物質について目的の特性の有無を予測することにより、目的の特性を有する物質をスクリーニングすることができる。すなわち、目的の特性を有すると予測された試験物質を目的の特性を有する物質として選抜することができ、以て目的の特性を有する物質をスクリーニングすることができる。すなわち、本発明の予測方法は、目的の特性を有する物質をスクリーニングする方法であってもよい。すなわち、本発明の予測方法は、さらに、目的の特性を有すると予測された試験物質を目的の特性を有する物質として選抜する工程を含んでいてもよい。すなわち、スクリーニング方法は、試験物質と対照物質間での立体化学構造の最大類似度に基づいて試験物質について前記目的の特性の有無を予測する工程、および目的の特性を有すると予測された試験物質を目的の特性を有する物質として選抜する工程を含む、目的の特性を有する物質をスクリーニングする方法であってよい。また、言い換えると、スクリーニング方法は、本発明の予測方法により試験物質について目的の特性の有無を予測する工程、および目的の特性を有すると予測された試験物質を目的の特性を有する物質として選抜する工程を含む、目的の特性を有する物質をスクリーニングする方法であってもよい。

　本発明の予測方法は、予測工程の前に、さらに、試験物質と対照物質間での立体化学構造の最大類似度を算出する工程を含んでいてもよい。同工程を、「算出工程」ともいう。

＜１－１＞目的の特性
　「目的の特性」とは、予測の対象となる特性を意味する。特性としては、香気特性や嗅覚受容体活性化特性が挙げられる。

　「香気特性」とは、香気を呈する性質を意味する。香気の種類は、特に制限されない。香気としては、absinthe、acacia、acai、acerola、acetic、acetone、acidic、acorn、acrylate、agarwood、alcoholic、aldehydic、alfalfa、algae、alliaceous、allspice、almond、almond bitter almond、almond roasted almond、almond toasted almond、amber、ambergris、ambrette、ammoniacal、angelica、animal、anise、anisic、apple、apple cooked apple、apple dried apple、apple green apple、apple red apple、apple skin、apricot、aromatic、arrack、artichoke、asafetida、asparagus、astringent、autumn、avocado、bacon、baked、balsamic、banana、banana peel、banana ripe banana、banana unripe banana、barley roasted barley、basil、bay、bean green bean、beany、beef juice、beefy、beefy roasted beefy、beer、beeswax、benzoin、bergamot、berry、berry ripe berry、bitter、blackberry、bloody、blueberry、bois de rose、boronia、bouillon、boysenberry、brandy、bread baked、bread crust、bread rye bread、bready、broccoli、brothy、brown、bubble gum、buchu、burnt、butter rancid、buttermilk、butterscotch、buttery、cabbage、calamus、camphoreous、cananga、candy、cantaloupe、capers、caramellic、caraway、cardamom、carnation、carrot、carrot seed、carvone、cascarilla、cashew、cassia、castoreum、catty、cauliflower、cedar、cedarwood、celery、cereal、chamomile、charred、cheesy、cheesy bleu cheese、cheesy cheddar cheese、cheesy feta cheese、cheesy gorgonzola cheese、cheesy gouda cheese、cheesy limburger cheese、cheesy parmesan cheese、cheesy roquefort cheese、chemical、cherry、cherry maraschino cherry、chervil、chestnut、chicken、chicken coup、chicken fat、chicken roasted chicken、chicory、chive、chocolate、chocolate dark chocolate、chocolate white chocolate、chrysanthemum、cider、cilantro、ciltrano、cinnamon、cinnamyl、cistus、citronella、citrus、citrus peel、citrus rind、civet、clam、clean、cloth laundered cloth、clove、clover、cocoa、coconut、coffee、coffee roasted coffee、cognac、cologne、cooked、cookie、cooling、copaiba、coriander、corn、corn chip、cornmeal、cornmint、cortex、costus、cotton candy、coumarinic、cranberry、creamy、cubeb、cucumber、cucumber skin、cumin、currant black currant、currant bud black currant bud、currant red currant、curry、custard、cyclamen、cypress、dairy、date、davana、deertongue、dewy、dill、dirty、dragon fruit、dry、durian、dusty、earthy、egg nog、egg yolk、eggy、elderberry、elderflower、elemi、estery、ethereal、eucalyptus、fatty、fecal、fennel、fenugreek、fermented、fig、filbert、fir needle、fishy、fleshy、floral、foliage、forest、fougere、frankincense、freesia、fresh、fresh outdoors、fried、fruit dried fruit、fruit overripe fruit、fruit ripe fruit、fruit tropical fruit、fruity、fudge、fungal、fusel、galanga、galbanum、gardenia、garlic、gasoline、gassy、genet、geranium、ginger、ginseng、goaty、goji berry、gooseberry、gourmand、graham cracker、grain、grain toasted grain、grape、grape skin、grapefruit、grapefruit peel、grassy、gravy、greasy、green、grilled、guaiacol、guaiacwood、guava、hairy、ham、harsh、hawthorn、hay、hay new mown hay、hazelnut、hazelnut roasted hazelnut、heather、heliotrope、herbal、hibiscus、honey、honeydew、honeysuckle、hops、horehound、horseradish、huckleberry、humus、hyacinth、hyssop、immortelle、incense、jackfruit、jammy、jasmin、jonquil、juicy、juicy fruit、juniper、ketonic、kimchi、kiwi、kokumi、kumquat、labdanum、lachrymatory、lactonic、lamb、lard、lavandin、lavender、lavender spike lavender、leafy、leathery、leek、lemon、lemon peel、lemongrass、lettuce、licorice、licorice black licorice、lilac、lily、lily of the valley、lime、linden flower、lingonberry、liver、lobster、loganberry、lovage、lychee、macadamia、mace、magnolia、mahogany、malty、mandarin、mango、maple、marigold、marine、marjoram、marshmallow、marzipan、mastic、meaty、meaty roasted meaty、medicinal、melon、melon rind、melon unripe melon、mentholic、metallic、milky、mimosa、minty、molasses、moldy、mossy、muguet、mulberry、mushroom、musk、mustard、musty、mutton、myrrh、naphthyl、narcissus、nasturtium、natural、neroli、noni fruit、nut flesh、nut skin、nutmeg、nutty、oakmoss、oatmeal、oats、ocean、oily、onion、onion cooked onion、onion green onion、opoponax、orange、orange bitter orange、orange peel、orange rind、orangeflower、orchid、oriental、origanum、orris、osmanthus、oyster、ozone、painty、palmarosa、papaya、paper、parsley、passion fruit、patchouli、pea green pea、peach、peanut、peanut butter、peanut roasted peanut、pear、pear skin、pecan、peely、pennyroyal、peony、pepper bell pepper、pepper black pepper、peppermint、peppery、peru balsam、petal、petitgrain、petroleum、phenolic、pimenta、pine、pineapple、pistachio、plastic、plum、plum skin、pomegranate、popcorn、pork、potato、potato baked potato、potato chip、potato raw potato、powdery、praline、privet、privetblossom、prune、pulpy、pumpkin、pungent、quince、radish、rain、raisin、rancid、raspberry、raw、reseda、resinous、rhubarb、rindy、ripe、roasted、root beer、rooty、rose、rose dried rose、rose red rose、rose tea rose、rose white rose、rosemary、rubbery、rue、rummy、saffron、sage、sage clary sage、salmon、salty、sandalwood、sandy、sappy、sarsaparilla、sassafrass、sauerkraut、sausage、sausage smoked sausage、savory、sawdust、scallion、seafood、seashore、seaweed、seedy、sesame、sharp、shellfish、shrimp、skunk、smoky、soapy、soft、solvent、soup、sour、spearmint、spicy、spinach、spruce、starchy、starfruit、storax、strawberry、stringent、styrene、sugar、sugar brown sugar、sugar burnt sugar、sulfurous、sweaty、sweet、sweet pea、taco、tagette、tallow、tamarind、tangerine、tansy、tarragon、tart、tea、tea black tea、tea green tea、tea rooibos tea、tea white tea、tequila、terpenic、thujonic、thyme、toasted、tobacco、toffee、tolu balsam、tomato、tomato leaf、tonka、tropical、truffle、tuberose、tuna、turkey、turmeric、turnup、tutti frutti、umami、urine、valerian root、vanilla、vegetable、verbena、vetiver、vinegar、violet、violet leaf、walnut、warm、wasabi、watercress、watermelon、watermelon rind、watery、waxy、weedy、wet、whiskey、winey、wintergreen、woody、woody burnt wood、woody oak wood、woody old wood、wormwood、yeasty、ylang、yogurt、yuzu、zedoary、zesty、bark、birch bark、blood、raw meat、burnt candle、burnt milk、burnt pepper、burnt rubber、cadaverous (dead animal)、cardboard、cat urine、chalky、cleaning fluid、cooked vegetables、cork、creosote、crushed grass、crushed weeds、dirty linen、disinfectant、carbolic、fermented (rotten) fruit、fragrant、fresh green vegetable、fresh tobacco smoke、fried chicken、heavy、household gas、kerosene、kippery (smoked fish)、laurel leaves、light、mothballs、mouse、nail polish remover、new rubber、peanut butter、perfumery、putrid、four、decayde、rope、seasoning (for meat)、seminal、sperm-like、sewer、sickening、sooty、sour milk、stale、stale tobacco smoke、tab、tea leaves、turpentine (pine oil)、varnish、wet paper、wet wool、wet dogが挙げられる。香気は、１種の香気であってもよく、２種またはそれ以上の香気の組み合わせであってもよい。すなわち、「香気特性の有無」とは、いずれか１種の香気を呈する性質の有無を意味してもよく、２種またはそれ以上の香気のそれぞれを呈する性質の有無（すなわち、２種またはそれ以上の香気について、どの香気を呈し、どの香気を呈しないかというパターン）を意味してもよい。

　「嗅覚受容体活性化特性」とは、嗅覚受容体を活性化する性質を意味する。嗅覚受容体の種類は、特に制限されない。

　嗅覚受容体としては、OR1A1、OR1A2、OR1B1、OR1C1、OR1D2、OR1D4、OR1D5、OR1E1、OR1E2、OR1F1、OR1F12、OR1G1、OR1I1、OR1J1、OR1J2、OR1J4、OR1K1、OR1L1、OR1L3、OR1L4、OR1L6、OR1L8、OR1M1、OR1N1、OR1N2、OR1Q1、OR1R1P、OR1S1、OR1S2、OR2A1、OR2A2、OR2A4、OR2A5、OR2A7、OR2A12、OR2A14、OR2A25、OR2AE1、OR2AG1、OR2AG2、OR2AJ1P、OR2AK2、OR2AP1、OR2AT4、OR2B2、OR2B3、OR2B6、OR2B11、OR2C1、OR2C3、OR2D2、OR2D3、OR2F1、OR2F2、OR2G2、OR2G3、OR2G6、OR2H1、OR2H2、OR2J1P、OR2J2、OR2J3、OR2K2、OR2L2、OR2L3、OR2L5、OR2L8、OR2L13、OR2M2、OR2M3、OR2M4、OR2M5、OR2M7、OR2S2、OR2T1、OR2T2、OR2T3、OR2T4、OR2T5、OR2T6、OR2T7、OR2T8、OR2T10、OR2T11、OR2T12、OR2T27、OR2T29、OR2T33、OR2T34、OR2T35、OR2V1、OR2V2、OR2W1、OR2W3、OR2Y1、OR2Z1、OR3A1、OR3A2、OR3A3、OR3A4、OR4A4P、OR4A5、OR4A15、OR4A16、OR4A47、OR4B1、OR4C3、OR4C5、OR4C6、OR4C11、OR4C12、OR4C13、OR4C15、OR4C16、OR4C45、OR4C46、OR4D1、OR4D2、OR4D5、OR4D6、OR4D9、OR4D10、OR4D11、OR4E2、OR4F3、OR4F4、OR4F5、OR4F6、OR4F14P、OR4F15、OR4F17、OR4F21、OR4G11P、OR4H12P、OR4K1、OR4K2、OR4K5、OR4K13、OR4K14、OR4K15、OR4K17、OR4L1、OR4M1、OR4M2、OR4N2、OR4N4、OR4N5、OR4P4、OR4Q3、OR4S1、OR4S2、OR4X1、OR4X2、OR5A1、OR5A2、OR5AC2、OR5AK2、OR5AK3P、OR5AN1、OR5AP2、OR5AR1、OR5AS1、OR5AU1、OR5B2、OR5B3、OR5B12、OR5B17、OR5B21、OR5C1、OR5D13、OR5D14、OR5D16、OR5D18、OR5F1、OR5H1、OR5H2、OR5H6、OR5H14、OR5H15、OR5I1、OR5J2、OR5K1、OR5K2、OR5K3、OR5K4、OR5L1、OR5L2、OR5M1、OR5M3、OR5M8、OR5M9、OR5M10、OR5M11、OR5P2、OR5P3、OR5R1、OR5T1、OR5T2、OR5T3、OR5V1、OR5W2、OR6A2、OR6B1、OR6B2、OR6B3、OR6C1、OR6C2、OR6C3、OR6C4、OR6C6、OR6C65、OR6C66P、OR6C68、OR6C70、OR6C74、OR6C75、OR6C76、OR6F1、OR6J1、OR6K2、OR6K3、OR6K6、OR6M1、OR6N1、OR6N2、OR6P1、OR6Q1、OR6S1、OR6T1、OR6V1、OR6X1、OR6Y1、OR7A3P、OR7A5、OR7A10、OR7A17、OR7C1、OR7C2、OR7D2、OR7D4、OR7E24、OR7G1、OR7G2、OR7G3、OR8A1、OR8B2、OR8B3、OR8B4、OR8B8、OR8B12、OR8D1、OR8D2、OR8D4、OR8G1、OR8G2、OR8G5、OR8H1、OR8H2、OR8H3、OR8I2、OR8J1、OR8J3、OR8K1、OR8K3、OR8K5、OR8S1、OR8U1、OR8U8、OR9A2、OR9A4、OR9G1、OR9G4、OR9I1、OR9K2、OR9Q1、OR9Q2、OR10A2、OR10A3、OR10A4、OR10A5、OR10A6、OR10A7、OR10AD1、OR10AG1、OR10C1、OR10D3、OR10D4P、OR10G2、OR10G3、OR10G4、OR10G6、OR10G7、OR10G8、OR10G9、OR10H1、OR10H2、OR10H3、OR10H4、OR10H5、OR10J1、OR10J3、OR10J5、OR10K1、OR10K2、OR10P1、OR10Q1、OR10R2、OR10S1、OR10T2、OR10V1、OR10W1、OR10X1、OR10Z1、OR11A1、OR11G2、OR11H1、OR11H2、OR11H4、OR11H6、OR11H12、OR11L1、OR12D2、OR12D3、OR13A1、OR13C2、OR13C3、OR13C4、OR13C5、OR13C8、OR13C9、OR13D1、OR13F1、OR13G1、OR13H1、OR13J1、OR14A2、OR14A16、OR14C36、OR14I1、OR14J1、OR14K1、OR14L1P、OR51A1P、OR51A2、OR51A4、OR51A7、OR51B2、OR51B4、OR51B5、OR51B6、OR51D1、OR51E1、OR51E2、OR51F1、OR51F2、OR51F5P、OR51G1、OR51G2、OR51H1、OR51I1、OR51I2、OR51L1、OR51M1、OR51Q1、OR51S1、OR51T1、OR51V1、OR52A1、OR52A4、OR52A5、OR52B2、OR52B4、OR52B6、OR52D1、OR52E2、OR52E4、OR52E5、OR52E6、OR52E8、OR52H1、OR52I1、OR52I2、OR52J3、OR52K1、OR52K2、OR52L1、OR52L2P、OR52M1、OR52N1、OR52N2、OR52N4、OR52N5、OR52P2P、OR52R1、OR52W1、OR52Z1P、OR56A1、OR56A3、OR56A4、OR56A5、OR56B1、OR56B2P、OR56B4が挙げられる。

　嗅覚受容体としては、特に、OR1A1、OR1A2、OR1B1、OR1C1、OR1D2、OR1D5、OR1E1、OR1F1、OR1F12、OR1G1、OR1I1、OR1J1、OR1J2、OR1J4、OR1K1、OR1L1、OR1L3、OR1L4、OR1L8、OR1M1、OR1N1、OR1N2、OR1Q1、OR1R1P、OR1S1、OR2A1、OR2A2、OR2A4、OR2A5、OR2A12、OR2A14、OR2A25、OR2AE1、OR2AG1、OR2AG2、OR2AJ1P、OR2AK2、OR2AP1、OR2AT4、OR2B2、OR2B3、OR2B6、OR2B11、OR2C1、OR2C3、OR2D2、OR2D3、OR2F1、OR2G2、OR2G3、OR2G6、OR2H1、OR2H2、OR2J2、OR2J3、OR2K2、OR2L2、OR2L8、OR2L13、OR2M2、OR2M4、OR2M7、OR2S2、OR2T1、OR2T2、OR2T5、OR2T6、OR2T8、OR2T10、OR2T11、OR2T27、OR2T34、OR2V2、OR2W1、OR2W3、OR2Y1、OR2Z1、OR3A1、OR3A2、OR3A3、OR3A4、OR4A5、OR4A15、OR4A16、OR4A47、OR4B1、OR4C3、OR4C5、OR4C6、OR4C11、OR4C12、OR4C13、OR4C15、OR4C16、OR4C46、OR4D1、OR4D2、OR4D5、OR4D6、OR4D9、OR4D10、OR4D11、OR4E2、OR4F3、OR4F5、OR4F6、OR4F14P、OR4F15、OR4G11P、OR4H12P、OR4K1、OR4K2、OR4K5、OR4K13、OR4K14、OR4K15、OR4K17、OR4L1、OR4M1、OR4N2、OR4N4、OR4N5、OR4P4、OR4Q3、OR4S1、OR4S2、OR4X1、OR4X2、OR5A1、OR5A2、OR5AC2、OR5AK2、OR5AK3P、OR5AN1、OR5AP2、OR5AR1、OR5AS1、OR5AU1、OR5B2、OR5B3、OR5B12、OR5B17、OR5B21、OR5C1、OR5D13、OR5D14、OR5D16、OR5D18、OR5F1、OR5H1、OR5H2、OR5H6、OR5H14、OR5I1、OR5J2、OR5K1、OR5K3、OR5K4、OR5L2、OR5M3、OR5M8、OR5M9、OR5M10、OR5M11、OR5P3、OR5R1、OR5T1、OR5T2、OR5T3、OR5V1、OR5W2、OR6A2、OR6B1、OR6B2、OR6C1、OR6C2、OR6C3、OR6C4、OR6C6、OR6C65、OR6C66P、OR6C68、OR6C70、OR6C74、OR6C75、OR6C76、OR6F1、OR6J1、OR6K2、OR6K3、OR6K6、OR6M1、OR6N1、OR6N2、OR6P1、OR6Q1、OR6S1、OR6T1、OR6V1、OR6X1、OR6Y1、OR7A3P、OR7A5、OR7A10、OR7A17、OR7C1、OR7C2、OR7D2、OR7D4、OR7E24、OR7G1、OR7G2、OR7G3、OR8A1、OR8B3、OR8B4、OR8B8、OR8B12、OR8D1、OR8D2、OR8D4、OR8G2、OR8G5、OR8H3、OR8I2、OR8J1、OR8J3、OR8K1、OR8K3、OR8K5、OR8S1、OR8U1、OR9A4、OR9G1、OR9G4、OR9I1、OR9K2、OR9Q1、OR9Q2、OR10A3、OR10A4、OR10A5、OR10A6、OR10A7、OR10AD1、OR10AG1、OR10C1、OR10D3、OR10D4P、OR10G2、OR10G3、OR10G4、OR10G6、OR10G7、OR10G9、OR10H2、OR10H4、OR10J1、OR10J3、OR10J5、OR10K1、OR10K2、OR10P1、OR10Q1、OR10R2、OR10S1、OR10T2、OR10V1、OR10W1、OR10X1、OR10Z1、OR11A1、OR11G2、OR11H4、OR11H6、OR11H12、OR11L1、OR12D2、OR12D3、OR13A1、OR13C2、OR13C3、OR13C4、OR13C8、OR13D1、OR13F1、OR13G1、OR13H1、OR13J1、OR14A2、OR14A16、OR14C36、OR14I1、OR14J1、OR14K1、OR14L1P、OR51A1P、OR51A4、OR51A7、OR51B2、OR51B4、OR51B5、OR51B6、OR51D1、OR51E1、OR51E2、OR51F1、OR51F2、OR51F5P、OR51G1、OR51G2、OR51H1、OR51I1、OR51I2、OR51L1、OR51M1、OR51Q1、OR51S1、OR51T1、OR51V1、OR52A1、OR52A4、OR52A5、OR52B2、OR52B4、OR52B6、OR52D1、OR52E2、OR52E4、OR52E5、OR52E8、OR52H1、OR52I2、OR52J3、OR52K2、OR52L2P、OR52M1、OR52N1、OR52N2、OR52N4、OR52N5、OR52P2P、OR52R1、OR52W1、OR52Z1P、OR56A1、OR56A3、OR56A4、OR56A5、OR56B1、OR56B2P、OR56B4が挙げられる。

　嗅覚受容体をコードする遺伝子を嗅覚受容体遺伝子ともいう。嗅覚受容体は、１種の嗅覚受容体であってもよく、２種またはそれ以上の嗅覚受容体の組み合わせであってもよい。すなわち、「嗅覚受容体活性化特性の有無」とは、いずれか１種の嗅覚受容体を活性化する性質の有無を意味してもよく、２種またはそれ以上の嗅覚受容体のそれぞれを活性化する性質の有無（すなわち、２種またはそれ以上の嗅覚受容体について、どの嗅覚受容体を活性化し、どの嗅覚受容体を活性化しないかというパターン）を意味してもよい。

　嗅覚受容体遺伝子および嗅覚受容体としては、各種生物の嗅覚受容体遺伝子および嗅覚受容体が挙げられる。生物としては、例えば、哺乳類等の動物が挙げられる。哺乳類等の動物として、具体的には、例えば、Homo sapiens（ヒト）、Mus musculus（マウス）、Rattus norvegicus（ラット）、Canis lupus familiaris（イヌ）、Felis catus（ネコ）、Bos taurus（ウシ）、Sus scrofa（ブタ）、Pan troglodytes（チンパンジー）、Macaca fascicularis（カニクイザル）、Equus caballus（ウマ）が挙げられる。哺乳類等の動物としては、特に、ヒトが挙げられる。各種生物の嗅覚受容体遺伝子の塩基配列および嗅覚受容体のアミノ酸配列は、例えば、NCBIやEnsembl等の公開データベースから取得できる。

　嗅覚受容体は、例えば、上記のような嗅覚受容体の公知または天然のアミノ酸配列を有するタンパク質であってよい。また、嗅覚受容体は、例えば、上記のような嗅覚受容体の公知または天然のアミノ酸配列を有するタンパク質のバリアントであってもよい。すなわち、上記各名称で特定される嗅覚受容体は、例えば、当該名称で特定される嗅覚受容体の公知または天然のアミノ酸配列を有するタンパク質およびそれらのバリアントを包含するものとする。なお、「タンパク質がアミノ酸配列を有する」という表現は、特記しない限り、タンパク質が当該アミノ酸配列を含むことを意味し、タンパク質が当該アミノ酸配列からなる場合も包含する。バリアントとしては、公知または天然のアミノ酸配列において、１若しくは数個の位置での１又は数個のアミノ酸が置換、欠失、挿入、および／または付加されたアミノ酸配列を有するタンパク質が挙げられる。「１又は数個」とは、具体的には、例えば、１～５０個、１～４０個、１～３０個、好ましくは１～２０個、より好ましくは１～１０個、さらに好ましくは１～５個、特に好ましくは１～３個を意味してよい。バリアントとしては、公知または天然のアミノ酸配列全体に対して、例えば、５０％以上、６５％以上、８０％以上、好ましくは９０％以上、より好ましくは９５％以上、さらに好ましくは９７％以上、特に好ましくは９９％以上の同一性を有するアミノ酸配列を有するタンパク質も挙げられる。なお、由来する生物種で特定される嗅覚受容体は、当該生物種において見出される嗅覚受容体そのものに限られず、当該生物種において見出される嗅覚受容体のアミノ酸配列を有するタンパク質およびそれらのバリアントを包含するものとする。バリアントは、当該生物種において見出されてもよく、見出されなくてもよい。すなわち、例えば、「ヒトの嗅覚受容体」とは、ヒトにおいて見出される嗅覚受容体そのものに限られず、ヒトにおいて見出される嗅覚受容体のアミノ酸配列を有するタンパク質およびそれらのバリアントを包含するものとする。嗅覚受容体は、例えば、由来の異なる２種またはそれ以上の嗅覚受容体のキメラタンパク質であってもよい。すなわち、上記各名称で特定される嗅覚受容体は、例えば、由来の異なる２種またはそれ以上の当該名称で特定される嗅覚受容体のキメラタンパク質も包含するものとする。

　なお、アミノ酸配列間の「同一性」とは、blastpによりデフォルト設定のScoring Parameters（Matrix：BLOSUM62；Gap Costs：Existence＝11, Extension＝1；Compositional Adjustments：Conditional compositional score matrix adjustment）を用いて算出されるアミノ酸配列間の同一性を意味する。

＜１－２＞試験物質
　「試験物質」とは、目的の特性の有無を予測する対象となる物質を意味する。また、「試験物質」とは、言い換えると、目的の特性を有する物質をスクリーニングする方法においては、目的の特性を有する物質の候補として用いられる物質を意味する。試験物質は、その構造が同定されているものであれば、特に制限されない。

　試験物質の構造は、試験物質の多重立体配座を生成できる程度に同定されていればよい。試験物質の構造は、例えば、化学構造式として同定されていればよい。試験物質の構造は、公知であってもよく、そうでなくてもよい。試験物質の構造が公知でない場合は、多重立体配座の生成前に、適宜、試験物質の構造を同定すればよい。試験物質の構造を同定する方法は、特に制限されない。試験物質の構造は、例えば、物質の構造を同定する公知の方法により同定することができる。そのような方法としては、核磁気共鳴法（NMR）、電子スピン共鳴法（ESR）、紫外可視近赤外分光法（UV-Vis-NIR）、赤外分光法（IR）、ラマン分光法、質量分析法（MS）が挙げられる。これらの方法は、単独で用いてもよく、適宜組み合わせて用いてもよい。

　試験物質は、公知物質であってもよく、新規物質であってもよい。試験物質は、天然物であってもよく、人工物であってもよい。試験物質は、例えば、コンビナトリアルケミストリー技術を用いて作製された化合物ライブラリーであってもよい。試験物質としては、例えば、アルコール、ケトン、アルデヒド、エーテル、エステル、炭化水素、糖、有機酸、核酸、アミノ酸、ペプチド、その他の有機または無機の各種成分が挙げられる。また、試験物質としては、特に、既存の食品添加物が挙げられる。「既存の食品添加物」とは、食品添加物としての使用が既に認められている物質を意味する。試験物質は、仮想物質（すなわち、仮想の構造を有する物質）であってもよい。仮想物質としては、GDB-11、GDB-13、GDB-17、ZINC15、FooDB、VCF（Volatile Compounds in Food）等の化合物データベースに記載の物質が挙げられる。試験物質としては、１種の試験物質を用いてもよく、２種またはそれ以上の試験物質を組み合わせて用いてもよい。試験物質は、例えば、既存の食品添加物等の、上記例示したような物質を含むように選択されてよい。すなわち、試験物質としては、例えば、１種の既存の食品添加物を用いてもよく、２種またはそれ以上の食品添加物を組み合わせて用いてもよく、１種またはそれ以上の食品添加物と１種またはそれ以上の他の物質とを組み合わせて用いてもよい。なお、「２種またはそれ以上の試験物質を組み合わせて用いる」とは、２種またはそれ以上の試験物質についてそれぞれ目的の特性の有無を予測することを意味する。

＜１－３＞対照物質
　「対照物質」とは、目的の特性の有無の指標として用いることができる物質を意味する。対照物質は、その構造が同定されており、且つ目的の特性の有無が同定されているものであれば、特に制限されない。

　対照物質の構造は、対照物質の多重立体配座を生成できる程度に同定されていればよい。対照物質の構造は、例えば、化学構造式として同定されていればよい。対照物質の構造は、公知であってもよく、そうでなくてもよい。対照物質の構造が公知でない場合は、多重立体配座の生成前に、適宜、対照物質の構造を同定すればよい。対照物質の構造を同定する方法は、特に制限されない。対照物質の構造は、例えば、物質の構造を同定する公知の方法により同定することができる。そのような方法としては、核磁気共鳴法（NMR）、電子スピン共鳴法（ESR）、紫外可視近赤外分光法（UV-Vis-NIR）、赤外分光法（IR）、ラマン分光法、質量分析法（MS）が挙げられる。これらの方法は、単独で用いてもよく、適宜組み合わせて用いてもよい。

　対照物質における目的の特性の有無は、公知であってもよく、そうでなくてもよい。対照物質における目的の特性の有無が公知でない場合は、予測工程の実施前に、適宜、対照物質における目的の特性の有無を同定すればよい。対照物質における特性の有無を同定する方法は、特に制限されない。対照物質における特性の有無は、例えば、物質における特性の有無を同定する公知の方法により同定することができる。対照物質における香気特性の有無は、例えば、専門パネルによる官能評価により、同定することができる。対照物質における嗅覚受容体活性化特性の有無は、例えば、嗅覚受容体と対照物質とを接触させ、対照物質との接触による嗅覚受容体の活性化の有無を測定することにより、同定することができる。嗅覚受容体と対照物質との接触およびそれによる嗅覚受容体の活性化の有無の測定は、例えば、嗅覚受容体の応答を指標とした目的の香気を呈する物質のスクリーニング方法（特開2019-037197等）を参照して実施することができる。嗅覚受容体は、例えば、動物細胞等の細胞に担持して利用してよい。嗅覚受容体の活性化は、例えば、細胞内カルシウム量または細胞内cAMP量の増大を指標として測定することができる。細胞内cAMP量を測定する手法としては、例えば、ELISAやレポーターアッセイが挙げられる。レポーターアッセイとしては、例えば、ルシフェラーゼアッセイが挙げられる。レポーターアッセイによれば、cAMP量に依存して発現するように構成されたレポーター遺伝子（ルシフェラーゼ遺伝子等）を利用して細胞内cAMP量を測定することができる。細胞内カルシウム量を測定する手法としては、例えば、カルシウムイメージングが挙げられる。

　また、対照物質は、目的の特性の程度が同定されていてもよい。「特性の程度」とは、香気特性の場合には、物質が香気を呈する強度を意味してよい。「特性の程度」とは、嗅覚受容体活性化特性の場合には、物質が嗅覚受容体を活性化する強度を意味してよい。対照物質における目的の特性の程度は、例えば、対照物質における目的の特性の有無の同定と同様の方法により同定することができる。

　嗅覚受容体と対照物質との接触およびそれによる嗅覚受容体の活性化の有無または程度の測定は、具体的には、例えば、以下の手順で実施できる。

　すなわち、対照物質による嗅覚受容体の活性化の有無または程度は、嗅覚受容体と対照物質を接触させ、当該接触を実施した際の（すなわち嗅覚受容体と対照物質を接触させる条件における）嗅覚受容体の活性化の程度（活性化の程度Ｄ１）を指標として決定することができる。嗅覚受容体と接触させる対照物質の濃度は、例えば、嗅覚受容体の種類や対照物質の種類等の諸条件に応じて適宜設定できる。嗅覚受容体と接触させる対照物質の濃度は、例えば、3～1000 μMであってよい。嗅覚受容体と接触させる対照物質の濃度は、典型的には、300 μMであってよい。また、例えば、300 μMで細胞毒性を示す対照物質については、嗅覚受容体と接触させる対照物質の濃度は、3 μM、10 μM、30 μM、または100 μMであってもよい。

　対照物質による嗅覚受容体の活性化の有無または程度は、具体的には、活性化の程度Ｄ１と対照条件における嗅覚受容体の活性化の程度（活性化の程度Ｄ２）とを比較することにより決定することができる。対照条件としては、嗅覚受容体と対照物質を接触させない条件が挙げられる。

　活性化の程度Ｄ１およびＤ２は、いずれも、嗅覚受容体の活性化の指標となるパラメータを反映するデータとして取得し、利用することができる。嗅覚受容体の活性化の指標となるパラメータとしては、細胞内カルシウム量や細胞内cAMP量が挙げられる。細胞内cAMP量を反映するデータとしては、ルシフェラーゼアッセイの場合、発光強度が挙げられる。嗅覚受容体の活性化の指標となるパラメータを反映するデータは、そのまま、あるいは適宜補正等の加工に供してから、利用することができる。

　活性化の程度Ｄ１が高い場合に、対照物質により嗅覚受容体が活性化されたと判断してよい。例えば、活性化の程度Ｄ２に対する活性化の程度Ｄ１の比率（すなわち、Ｄ１／Ｄ２）が、１．５以上、２以上、３以上、５以上、１０以上、２０以上、５０以上、または１００以上である場合に、対照物質により嗅覚受容体が活性化されたと判断してよい。活性化の程度Ｄ２に対する活性化の程度Ｄ１の比率としては、実施例に記載のnormalized response値が挙げられる。

　また、活性化の程度Ｄ１と活性化の程度Ｄ２との比較結果を指標として、対照物質による嗅覚受容体の活性化の程度を決定することができる。例えば、活性化の程度Ｄ２に対する活性化の程度Ｄ１の比率（すなわち、Ｄ１／Ｄ２）を、対照物質による嗅覚受容体の活性化の程度とみなすことができる。活性化の程度Ｄ２に対する活性化の程度Ｄ１の比率としては、実施例に記載のnormalized response値が挙げられる。

　対照物質としては、陽性対照および陰性対照が挙げられる。「陽性対照」とは、目的の特性を有する物質を意味する。「陰性対照」とは、目的の特性を有しない物質を意味する。対照物質は、少なくとも、陽性対照を含んでいてよい。

　対照物質は、公知物質であってもよく、新規物質であってもよい。対照物質は、天然物であってもよく、人工物であってもよい。対照物質は、例えば、コンビナトリアルケミストリー技術を用いて作製された化合物ライブラリーであってもよい。対照物質としては、例えば、アルコール、ケトン、アルデヒド、エーテル、エステル、炭化水素、糖、有機酸、核酸、アミノ酸、ペプチド、その他の有機または無機の各種成分が挙げられる。対照物質として、具体的には、目的の特性の有無および／または程度が公知である物質が挙げられる。目的の特性の有無および／または程度が公知である物質としては、The Good Scents Company（http://www.thegoodscentscompany.com/）に記載の物質が挙げられる。すなわち、対照物質は、The Good Scents Companyに記載の物質を含んでいてよい。例えば、対照物質の総数の５０％以上、６０％以上、７０％以上、８０％以上、９０％以上、または９５％以上がThe Good Scents Companyに記載の物質から選択されてもよい。The Good Scents Companyに記載の物質は、いずれも、例えば、そのOdor Descriptionに列挙された香気を呈する（すなわち、そのOdor Descriptionに列挙された香気についての陽性対照である）とみなしてよい。また、The Good Scents Companyに記載の物質は、いずれも、例えば、そのOdor Descriptionに列挙されていない香気を呈しない（すなわち、そのOdor Descriptionに列挙された香気についての陰性対照である）とみなしてよい。また、目的の特性の有無および／または程度が公知である物質としては、Atlas of odor character profiles（Dravnieks, A., ASTM data series publication, DS 61, PCN 05-061000-36, 1985）に記載の物質も挙げられる。すなわち、対照物質は、Atlas of odor character profilesに記載の物質を含んでいてよい。Atlas of odor character profilesに記載の物質は、いずれも、例えば、各香気のpercentage of applicability値に応じて当該香気についての陽性対照または陰性対照とみなしてよい。すなわち、Atlas of odor character profilesに記載の物質は、いずれも、例えば、或る香気のpercentage of applicability値が高い場合に、当該香気についての陽性対照とみなしてよい。また、Atlas of odor character profilesに記載の物質は、いずれも、例えば、或る香気のpercentage of applicability値が低い場合に、当該香気についての陰性対照とみなしてよい。「percentage of applicability値が高い」とは、例えば、percentage of applicability値が４以上、７以上、１０以上、１５以上、または２０以上であることを意味してよい。「percentage of applicability値が低い」とは、例えば、percentage of applicability値が４未満、３以下、２以下、１以下、または０．５以下であることを意味してよい。対照物質としては、１種の対照物質を用いてもよく、２種またはそれ以上の対照物質を組み合わせて用いてもよい。

　対照物質の数、陽性対照の数、および陰性対照の数は、いずれも、例えば、１以上、２以上、３以上、５以上、７以上、１０以上、１５以上、２０以上、２５以上、３０以上、４０以上、５０以上、７０以上、１００以上、１５０以上、２００以上、３００以上、４００以上、５００以上、６００以上、７００以上、８００以上、９００以上、または１０００以上であってもよく、１００００以下、５０００以下、２０００以下、１０００以下、５００以下、２００以下、１５０以下、１００以下、７０以下、５０以下、４０以下、３０以下、２５以下、２０以下、１５以下、または１０以下であってもよく、それらの矛盾しない組み合わせであってもよい。対照物質の数、陽性対照の数、および陰性対照の数は、いずれも、具体的には、例えば、１～１００００、１～１０００、１～１００、１～１０、１０～１００００、１０～１０００、１０～１００、１００～１００００、１００～１０００、または１０００～１００００であってもよい。対照物質の数、陽性対照の数、および陰性対照の数は、いずれも、具体的には、例えば、１～１０、１０～１００、１００～２００、２００～５００、５００～１０００、１０００～２０００、２０００～５０００、または５０００～１００００であってもよい。

　対照物質における陽性対照の比率は、例えば、１％以上、３％以上、５％以上、１０％以上、２０％以上、３０％以上、４０％以上、５０％以上、６０％以上、７０％以上、８０％以上、９０％以上、または９５％以上であってもよく、１００％以下、９９％以下、９７％以下、９５％以下、９０％以下、８０％以下、７０％以下、６０％以下、５０％以下、４０％以下、３０％以下、２０％以下、１０％以下、または５％以下であってもよく、それらの矛盾しない組み合わせであってもよい。対照物質における陽性対照の比率は、具体的には、例えば、１～１００％、１～５０％、１～２０％、１～１０％、１～５％、５～１００％、５～５０％、５～２０％、５～１０％、１０～１００％、１０～５０％、１０～２０％、２０～１００％、２０～５０％、または５０～１００％であってもよい。対照物質における陽性対照の比率は、具体的には、例えば、１～１０％、１０～２０％、２０～３０％、３０～４０％、４０～５０％、５０～６０％、６０～７０％、７０～８０％、８０～９０％、または９０～１００％であってもよい。「対照物質における陽性対照の比率」とは、対照物質の総数に対する陽性対照の数の比率を意味する。

＜１－４＞物質間での立体化学構造の最大類似度
　「物質間での立体化学構造の最大類似度」とは、物質（以下、ある物質Ａと別の物質Ｂとする）間での立体化学構造の類似度の最大値を意味する。「物質間での立体化学構造の最大類似度」とは、具体的には、物質Ａの多重立体配座と物質Ｂの多重立体配座との全ペアの類似度の最大値を意味する。「物質の多重立体配座」とは、物質が有する２つまたはそれ以上の立体配座を意味し、言い換えると、物質が有する２つまたはそれ以上の立体配座異性体の立体配座を意味する。すなわち、「物質間での立体化学構造の最大類似度」とは、物質Ａがｎ個の立体配座（Ａ１～Ａｎ）を、物質Ｂがｍ個の立体配座（Ｂ１～Ｂｍ）を有する場合、ｎ×ｍ個のペア（すなわち、Ａ１とＢ１のペア～ＡｎとＢｍのペア）の類似度の最大値を意味する。試験物質および対照物質が有する立体配座の数は、２つまたはそれ以上であれば、特に制限されない。立体化学構造の最大類似度を、単に「最大類似度」ともいう。

　物質の多重立体配座の生成方法は、特に制限されない。物質の多重立体配座は、例えば、公知の方法により生成できる。物質の多重立体配座は、具体的には、例えば、立体配座生成ソフトウェアOMEGA（OpenEye社）等のソフトウェアにより生成することができる。すなわち、ソフトウェアを使用することにより、物質の構造データから物質の多重立体配座を生成することができる。ソフトウェアは、例えば、製造元のマニュアルに従って使用することができる。OMEGAの場合、例えば、大環状化合物（例えば、１２員環以上の環状化合物）はOMEGA macrocyclicモードで、それ以外の化合物はOMEGA classicモードで、多重立体配座を生成してもよい。

　「物質の構造データ」とは、物質の構造を示すデータを意味する。物質の構造データは、多重立体配座を生成できる限り、特に制限されない。物質の構造データは、例えば、物質の多重立体配座の生成に使用されるソフトウェアの種類等の諸条件に応じて適宜選択できる。物質の構造データとしては、例えば、既存のデータを取得して使用してもよく、化学構造式からの変換によりデータを取得して使用してもよい。既存のデータは、例えば、PubChemやChemSpider等の化学データベースまたはSigmaAldrich等の試薬会社のウェブサイトから取得することができる。化学構造式からの変換は、例えば、ChemDraw等のソフトウェアまたはウェブサイトを使用することにより実施することができる。取得した物質の構造データは、例えば、そのまま、あるいは適宜加工してから、多重立体配座の生成に使用してよい。例えば、isomeric SMILES形式のデータの場合、absolute SMILES形式に正準化（canonicalization）し、MOL形式やそれを含むSDF形式等の3次元構造データに変換し、水素付加や最適化等の加工を実施してから、多重立体配座の生成に使用してよい。SMILESデータの正準化および3次元構造データへの変換は、例えば、ケモインフォマティクスソフトウェアRDKit（http://www.rdkit.org）等のソフトウェアにより実施することができる。水素付加や最適化等の3次元構造データの加工は、例えば、統合計算化学システムMOE（CCG社）等のソフトウェアにより実施することができる。

　物質ＡＢ間の最大類似度は、例えば、物質Ａの多重立体配座と物質Ｂの多重立体配座との各ペアの類似度を算出し、算出された類似度の内の最大値として取得することができる。ペアの類似度は、全てのペアについて算出されてもよく、最大値を少なくとも含む一部のペアについてのみ算出されてもよい。例えば、類似度が低いペアを適当な基準で予めペアの類似度の算出から除外してもよい。ペアの類似度は、通常、全てのペアについて算出されてよい。

　立体化学構造の類似度としては、Tanimoto係数（Tanimoto coefficient）が挙げられる。Tanimoto係数としては、表面形状の類似性を示すShape Tanimoto score、表面化学特性の類似性を示すColor Tanimoto score、表面形状と表面化学特性の類似性を示すTanimoto Combo scoreが挙げられる。Tanimoto Combo scoreは、Shape Tanimoto scoreとColor Tanimoto scoreの合計値として算出される。Tanimoto係数は、例えば、分子表面形状類似度計算ソフトROCS（OpenEye社）等のソフトウェアにより算出することができる。ROCSにより立体化学構造の類似度を算出する場合、比較される物質のどちらをクエリーとするかによって、算出される類似度が変動し得る。その場合、所望の精度で予測が実施できる限り、算出された類似度の内のいずれを最大類似度の算出に用いてもよい。例えば、算出された類似度の内の、低い方を最大類似度の算出に用いてもよく、高い方を最大類似度の算出に用いてもよい。あるいは、例えば、算出された類似度の平均値を最大類似度の算出に用いてもよい。Tanimoto係数の最大値として取得された最大類似度を、「Tanimoto係数に基づく最大類似度」ともいう。

＜１－５＞予測工程
　予測は、試験物質と対照物質間の最大類似度に基づいて実施することができる。

　予測は、例えば、試験物質と対照物質間の最大類似度を直接評価することにより実施してよい。すなわち、「試験物質と対照物質間での立体化学構造の最大類似度に基づいて試験物質について目的の特性の有無を予測すること」には、試験物質と対照物質間の最大類似度を直接評価することにより予測を実施することが包含されてよい。また、予測工程は、例えば、試験物質と対照物質間の最大類似度を直接評価する工程を含んでいてよい。

　すなわち、例えば、試験物質と陽性対照間の最大類似度が高い場合に、試験物質が目的の特性を有すると予測してよい。「試験物質と陽性対照間の最大類似度が高い」とは、陽性対照が１種の物質である場合、試験物質と当該１種の陽性対照間の最大類似度が高いことを意味する。「試験物質と陽性対照間での最大類似度が高い」とは、陽性対照が２種またはそれ以上の物質の組み合わせである場合、例えば、試験物質と当該２種またはそれ以上の陽性対照間の最大類似度の平均値または最大値が高いことを意味してよい。「試験物質と陽性対照間での最大類似度が高い」とは、陽性対照が２種またはそれ以上の物質の組み合わせである場合、例えば、試験物質に対して高い最大類似度を示す陽性対照の数または比率が大きいことを意味してもよい。また、例えば、試験物質と陽性対照間の最大類似度が高くない場合に、試験物質が目的の特性を有しないと予測してよい。

　「最大類似度が高い」とは、例えば、最大類似度が所定の値以上であることを意味してよい。所定の値は、所望の精度で予測が実施できる限り、特に制限されない。「最大類似度が高い」とは、例えば、０～１に正規化された最大類似度が、０．５以上、０．６以上、０．７以上、０．８以上、または０．９以上であることを意味してよい。「最大類似度が高い」とは、具体的には、例えば、Shape Tanimoto scoreに基づく最大類似度が０．５以上、０．６以上、０．７以上、０．８以上、または０．９以上であることを意味してもよい。「最大類似度が高い」とは、具体的には、例えば、Color Tanimoto scoreに基づく最大類似度が０．５以上、０．６以上、０．７以上、０．８以上、または０．９以上であることを意味してもよい。「最大類似度が高い」とは、具体的には、例えば、Tanimoto Combo scoreに基づく最大類似度が１以上、１．２以上、１．４以上、１．６以上、または１．８以上であることを意味してもよい。物質ＡＢ間の最大類似度が高いことを、「物質Ａが物質Ｂに対して高い最大類似度を示す」ともいい、「物質Ｂが物質Ａに対して高い最大類似度を示す」ともいう。

　「最大類似度の平均値が高い」または「最大類似度の最大値が高い」とは、例えば、最大類似度の平均値または最大値が所定の値以上であることを意味してよい。所定の値は、所望の精度で予測が実施できる限り、特に制限されない。「最大類似度の平均値が高い」または「最大類似度の最大値が高い」とは、例えば、０～１に正規化された最大類似度の平均値または最大値が、０．５以上、０．６以上、０．７以上、０．８以上、または０．９以上であることを意味してよい。「最大類似度の平均値が高い」または「最大類似度の最大値が高い」とは、具体的には、例えば、Shape Tanimoto scoreに基づく最大類似度の平均値または最大値が０．５以上、０．６以上、０．７以上、０．８以上、または０．９以上であることを意味してもよい。「最大類似度の平均値が高い」または「最大類似度の最大値が高い」とは、具体的には、例えば、Color Tanimoto scoreに基づく最大類似度の平均値または最大値が０．５以上、０．６以上、０．７以上、０．８以上、または０．９以上であることを意味してもよい。「最大類似度の平均値が高い」または「最大類似度の最大値が高い」とは、具体的には、例えば、Tanimoto Combo scoreに基づく最大類似度の平均値または最大値が１以上、１．２以上、１．４以上、１．６以上、または１．８以上であることを意味してもよい。

　「試験物質に対して高い最大類似度を示す陽性対照の数が大きい」とは、例えば、試験物質に対して高い最大類似度を示す陽性対照の数が、１以上、２以上、３以上、５以上、７以上、１０以上、１５以上、２０以上、２５以上、３０以上、４０以上、５０以上、７０以上、１００以上、１５０以上、２００以上、３００以上、４００以上、または５００以上であることを意味してよい。

　「試験物質に対して高い最大類似度を示す陽性対照の比率が大きい」とは、例えば、試験物質に対して高い最大類似度を示す陽性対照の比率が、１％以上、３％以上、５％以上、１０％以上、２０％以上、３０％以上、４０％以上、５０％以上、６０％以上、７０％以上、８０％以上、９０％以上、または９５％以上であることを意味してよい。「試験物質に対して高い最大類似度を示す陽性対照の比率」とは、対照物質の総数に対する試験物質に対して高い最大類似度を示す陽性対照の数の比率を意味する。

　予測は、例えば、試験物質と対照物質間の最大類似度に基づいてそれらの物質をクラスタリングすることにより実施してもよい。すなわち、「試験物質と対照物質間での立体化学構造の最大類似度に基づいて試験物質について目的の特性の有無を予測すること」には、試験物質と対照物質間の最大類似度に基づいてそれらの物質をクラスタリングすることにより予測を実施することが包含されてよい。また、予測工程は、例えば、試験物質と対照物質間の最大類似度に基づいてそれらの物質をクラスタリングする工程を含んでいてよい。クラスタリングは、特に、２種またはそれ以上の対照物質を組み合わせて使用する場合に実施してよい。

　クラスタリングは、試験物質と対照物質間の最大類似度を変数として実施することができる。クラスタリングに用いられる変数は、試験物質と対照物質間での最大類似度のみであってもよく、そうでなくてもよい。すなわち、クラスタリングには、試験物質と対照物質間の最大類似度に加えて、さらに他の変数が使用されてもよい。他の変数は、所望の精度で予測が実施できる限り、特に制限されない。他の変数としては、試験物質および対照物質と他の物質間での立体化学構造の類似度（例えば最大類似度）が挙げられる。言い換えると、予測工程においては、試験物質および対照物質のみがクラスタリングされてもよく、試験物質と対照物質に加えて、さらに他の物質がクラスタリングされてもよい。

　物質間の最大類似度は、単独で、あるいは最大類似度以外の物質間の構造類似度と組み合わせて、予測（例えば、クラスタリング）に用いられてよい。最大類似度以外の物質間の構造類似度を、「追加の構造類似度」ともいう。最大類似度と追加の構造類似度の組み合わせを、「混合類似度」ともいう。混合類似度に基づいて予測を実施する場合、上述した予測工程の説明における「最大類似度」は、「混合類似度」と読み替えてよい。すなわち、例えば、混合類似度に基づいて予測を実施する場合における「試験物質と陽性対照間での最大類似度が高い」とは、試験物質と陽性対照間での混合類似度が高いことを意味してよい。また、例えば、混合類似度に基づいて予測を実施する場合における「試験物質と陽性対照間での最大類似度が低い」とは、試験物質と陽性対照間での混合類似度が低いことを意味してよい。追加の構造類似度としては、分子フィンガープリント類似度等の、多重立体配座を考慮しない物質間の構造類似度が挙げられる。混合類似度の算出の際には、適宜、最大類似度と追加の構造類似度のスケールを合わせてからそれらを組み合わせてよい。混合類似度における最大類似度の比率は、所望の精度で予測を実施できる限り、特に制限されない。混合類似度における最大類似度の比率は、例えば、１％以上、３％以上、５％以上、２０％以上、３０％以上、４０％以上、５０％以上、６０％以上、７０％以上、８０％以上、または９０％以上であってもよく、９９％以下、９７％以下、９５％以下、９０％以下、８０％以下、７０％以下、６０％以下、５０％以下、４０％以下、または３０％以下であってもよく、それらの矛盾しない組み合わせであってもよい。混合類似度における最大類似度の比率は、具体的には、例えば、１～９９％、１０～９９％、３０～９９％、５０～９９％、６０～９５％、または７０～９０％であってもよい。混合類似度に基づいて予測を実施することにより、例えば、最大類似度のみに基づいて予測を実施する場合と比較して、予測の精度が向上し得る。

　クラスタリングされる物質の総数に対する試験物質および対照物質の総数の比率は、例えば、５０％以上、６０％以上、７０％以上、８０％以上、９０％以上、９５％以上、９７％以上、または９９％以上であってよい。また、クラスタリングされる物質の総数に対する対照物質の数の比率は、例えば、５０％以上、６０％以上、７０％以上、８０％以上、９０％以上、９５％以上、９７％以上、または９９％以上であってよい。

　クラスタリングは、所望の精度で予測が実施できる限り、１回で実施してもよく、２回またはそれ以上に分けて実施してもよい。例えば、一部の物質を予めクラスタリングし、得られたクラスタリング結果に基づいて残りの物質をさらにクラスタリングしてもよい。具体的には、例えば、試験物質以外の物質を予めクラスタリングし、得られたクラスタリング結果に基づいて試験物質をさらにクラスタリングしてもよい。すなわち、具体的には、例えば、試験物質以外の物質で予め作成したクラスタのいずれに試験物質がクラスタリングされるかを後から決定してもよい。２種またはそれ以上の試験物質を組み合わせて使用する場合、それら試験物質は、１回でまとめてクラスタリングしてもよく、２回またはそれ以上に分けてクラスタリングしてもよい。

　クラスタリングの方法は、特に制限されない。クラスタリングは、例えば、公知の方法により実施できる。そのような方法としては、階層クラスタ分析や次元削減法（Dimensionality Reduction）が挙げられる。階層クラスタ分析としては、ウォード法（Ward法）、最短距離法（nearest neighbor method）、最長距離法（furthest neighbor method）、群平均法（group average method）が挙げられる。階層クラスタ分析としては、特に、ウォード法が挙げられる。階層クラスタ分析において用いられる物質間の距離としては、ユークリッド距離（Euclidean距離）、マハラノビス距離、マンハッタン距離、チェビシェフ距離、ミンコフスキー距離、キャンベラ距離、コサイン類似度に基づく距離、角距離、ピアソンの相関係数に基づく距離、拡張ジャッカード係数に基づく距離が挙げられる。階層クラスタ分析において用いられる物質間の距離としては、特に、Euclidean距離が挙げられる。階層クラスタ分析は、具体的には、例えば、Euclidean距離を用いたウォード法により実施してよい。次元削減法としては、ランダムプロジェクション（Random Projection）、主成分分析（Principal Component Analysis；PCA）、線形判別分析（Linear Discriminant Analysis；LDA）、Isometric mapping（Isomap）、局所線形埋め込み（Locally Linear Embedding；LLE）、Modified LLE（MLLE）、Hessian-based LLE（HLLE）、スペクトル埋め込み（Spectral Embedding）、Local Tangent Space Alignment（LTSA）、多次元尺度法（Multi-dimensional Scaling；MDS）、t分布型確率的近傍埋め込み（t-distributed Stochastic Neighbor Embedding；t-SNE）、Random Forest Embedding、Uniform Manifold Approximation and Projection（UMAP）、カーネルPCA、オートエンコーダーが挙げられる。次元削減法としては、特に、t-SNEが挙げられる。これらの方法は、単独で用いてもよく、適宜組み合わせて用いてもよい。

　クラスタの数は、所望の精度で予測が実施できる限り、特に制限されない。クラスタの数は、例えば、２以上、３以上、４以上、５以上、６以上、７以上、８以上、９以上、または１０以上であってもよく、１００以下、５０以下、３０以下、２５以下、２０以下、１５以下、１２以下、１０以下、９以下、８以下、７以下、６以下、または５以下であってもよく、それらの矛盾しない組み合わせであってもよい。クラスタの数は、具体的には、例えば、２～３０、３～２０、または４～１５であってもよい。

　例えば、試験物質が目的の特性を有する可能性が高いクラスタにクラスタリングされる場合に、試験物質が目的の特性を有すると予測してよい。なお、例えば、試験物質が目的の特性を有する可能性が高いクラスタにクラスタリングされる場合に、試験物質と陽性対照間の最大類似度が高いと判断してもよい。また、例えば、試験物質が目的の特性を有する可能性が高いクラスタにクラスタリングされない場合に、試験物質が目的の特性を有しないと予測してよい。なお、例えば、試験物質が目的の特性を有する可能性が高いクラスタにクラスタリングされない場合に、試験物質と陽性対照間の最大類似度が高くないと判断してもよい。目的の特性を有する可能性が高いクラスタを、「陽性クラスタ」ともいう。クラスタリングの結果、陽性クラスタは１つのみ生じてもよく、２つまたはそれ以上生じてもよい。目的の特性を有する可能性が高いクラスタとしては、陽性対照を含むクラスタが挙げられる。陽性対照を含むクラスタは、１種またはそれ以上の陽性対照を含んでいてよい。陽性対照を含むクラスタは、陽性対照以外の物質を含んでいてもよく、いなくてもよい。陽性対照を含むクラスタは、例えば、陰性対照を含んでいてもよく、いなくてもよい。陽性対照を含むクラスタは、例えば、陽性対照の比率が高いクラスタであってもよい。「陽性対照の比率が高いクラスタ」とは、例えば、陽性対照の比率が、１％以上、３％以上、５％以上、１０％以上、２０％以上、３０％以上、４０％以上、５０％以上、６０％以上、７０％以上、８０％以上、９０％以上、または９５％以上であるクラスタを意味してよい。或るクラスタにおける「陽性対照の比率」とは、該クラスタに含まれる対照物質の数に対する該クラスタに含まれる陽性対照の数の比率を意味する。陽性対照を含むクラスタは、例えば、目的の特性の程度が高いクラスタであってもよい。「目的の特性の程度が高いクラスタ」とは、例えば、目的の特性の程度が最大である陽性対照を含むクラスタを意味してよい。「目的の特性の程度が高いクラスタ」とは、例えば、目的の特性の程度の平均値が最大であるクラスタを意味してもよい。２つまたはそれ以上の陽性クラスタが生じる場合、例えば、上記例示した基準を満たすクラスタを順に陽性クラスタとして選択してよい。或るクラスタにおける「目的の特性の程度の平均値」とは、該クラスタに含まれる全対照物質の目的の特性の程度の平均値を意味する。

　本発明の予測方法は、さらに、予測の結果を評価する工程を含んでいてもよい。すなわち、試験物質の目的の特性を評価することにより、当該目的物質が実際に目的の特性を有するかを確認することができる。具体的には、例えば、目的の特性を有すると予測された試験物質の目的の特性を評価することにより、当該目的物質が実際に目的の特性を有するかを確認することができる。すなわち、予測の結果を評価する工程は、例えば、目的の特性を有すると予測された試験物質について目的の特性の有無を確認する工程であってよい。予測の結果を評価する方法は、特に制限されない。予測の結果を評価する方法については、対照物質における目的の特性の有無の同定についての記載を準用できる。

＜２＞本発明の第１の態様に係る本発明の設計方法
　本発明の設計方法は、目的の特性を有する物質を設計する方法である。「物質の設計」と「物質の構造の設計」は代替可能に用いられてよい。目的の特性を有する物質を設計することを、以下、単に「設計」ともいう。設計は、設計対象の物質と対照物質間での立体化学構造の最大類似度に基づいて実施することができる。すなわち、本発明の設計方法は、設計対象の物質を、該設計対象の物質と対照物質間の立体化学構造の最大類似度に基づいて設計する工程を含んでいてよい。同工程を、「設計工程」ともいう。

　設計は、例えば、設計対象の物質が、本発明の予測方法に基づいて目的の特性を有すると予測されるように実施することができる。言い換えると、設計対象の物質は、本発明の予測方法に基づいて目的の特性を有すると予測される構造を有するように設計することができる。例えば、既存の物質の構造を、本発明の予測方法に基づいて目的の特性を有すると予測されるように改変してよい。また、例えば、多数の化合物の構造を設計し、本発明の予測方法に基づいて目的の特性を有すると予測されるものを選抜してもよい。設計は、具体的には、例えば、設計対象の物質が目的の特性を有する可能性が高いクラスタ（例えば、陽性対照を含むクラスタ）にクラスタリングされるように実施することができる。

（Ｂ）本発明の第２の態様
　以下、本発明の第２の態様について、具体的には、本発明の第２の態様に係る本発明の予測モデル製造方法および本発明の予測方法について記載する。

＜１＞本発明の第２の態様に係る本発明の予測モデル製造方法
　本発明の予測モデル製造方法は、試験物質について目的の構成要素の有無を予測するモデルを製造する方法である。「試験物質について目的の構成要素の有無を予測する」とは、試験物質が目的の構成要素を有するか否かを予測することを意味する。試験物質について目的の構成要素の有無を予測することを、以下、単に「予測」ともいう。試験物質について目的の構成要素の有無を予測するモデルを、以下、単に「予測モデル」ともいう。

＜１－１＞予測モデル
　予測モデルは、試験物質について目的の構成要素の有無を予測するモデルである。すなわち、予測モデルは、予測に用いることができる。予測モデルは、具体的には、本発明の予測方法に記載の態様で予測に用いることができる。

　予測モデルは、決定木を含んでいてよい。決定木またはそれを含むモデルを、「樹形モデル」ともいう。決定木は、予測の指標となる結論を出力するものであれば、特に制限されない。予測は、試験物質の試験嗅覚受容体活性化データに基づいて実施することができる。試験物質の試験嗅覚受容体活性化データを、以下、単に「試験嗅覚受容体活性化データ」ともいう。すなわち、決定木は、試験嗅覚受容体活性化データに基づいて（言い換えると、試験嗅覚受容体活性化データを変数として）、予測の指標となる結論を出力するものであってよい。予測の指標となる結論としては、試験物質における目的の構成要素の有無についての分類結果が挙げられる。すなわち、決定木は、例えば、試験嗅覚受容体活性化データに基づいて、試験物質における目的の構成要素の有無についての分類結果を出力するものであってよい。「試験物質における目的の構成要素の有無についての分類結果」とは、試験物質が目的の構成要素を有するか否かを示唆する分類結果を意味する。試験物質における目的の構成要素の有無についての分類結果は、具体的には、決定木に含まれるリーフノードのいずれかに試験物質を分類した結果として得られる。すなわち、決定木は、具体的には、試験嗅覚受容体活性化データに基づいて、決定木に含まれるリーフノードのいずれかに試験物質を分類するものであってよい。

＜１－２＞目的の構成要素
　「目的の構成要素」とは、予測の対象となる構成要素を意味する。構成要素としては、香気特性や分子構造が挙げられる。

　香気、香気特性、および香気特性の有無については、本発明の第１の態様において記載した通りである。

　「分子構造」とは、物質の構造に係るパラメータを意味する。分子構造の種類は、特に制限されない。分子構造としては、分子の部分構造が挙げられる。分子の部分構造としては、官能基、骨格、結合、原子が挙げられる。分子構造として、具体的には、カルボニル基、アシル基、アルデヒド基、ケトン基、カルボキシル基、カルボキサミド基、アルカノイル基、ベンゾイル基、アルコキシカルボニル基、フェノキシカルボニル基、イミド基、エノン基、アルキル基、アルケニル基、水酸基、アミノ基、イミノ基、アリール基、オキソ基、アルコキシ基、フェノキシ基、アルキレンジオキシ基、チオール基、スルホ基、ニトロ基、エステル結合、エーテル結合、アミド結合、グリコシド結合、窒素原子、酸素原子、硫黄原子、ハロゲン原子、単素環骨格、複素環骨格、テルペノイド骨格が挙げられる。複素環骨格としては、窒素、硫黄、酸素等のヘテロ原子を含む複素環骨格が挙げられる。複素環骨格は、ヘテロ原子を１つまたはそれ以上含んでいてよい。複素環骨格として、具体的には、ピラジン骨格やピロール骨格等の窒素を含む複素環骨格や、チアゾール骨格等の窒素と硫黄を含む複素環骨格が挙げられる。分子構造は、１種の分子構造であってもよく、２種またはそれ以上の分子構造の組み合わせであってもよい。すなわち、「分子構造の有無」とは、いずれか１種の分子構造の有無を意味してもよく、２種またはそれ以上の分子構造の有無（すなわち、２種またはそれ以上の分子構造について、どの分子構造を有し、どの分子構造を有しないかというパターン）を意味してもよい。

＜１－３＞試験物質
　「試験物質」とは、目的の構成要素の有無を予測する対象となる物質を意味する。また、「試験物質」とは、言い換えると、目的の構成要素を有する物質をスクリーニングする方法においては、目的の構成要素を有する物質の候補として用いられる物質を意味する。試験物質は、その試験嗅覚受容体活性化データが利用できるものであれば、特に制限されない。

　「試験物質の試験嗅覚受容体活性化データ」とは、試験物質による試験嗅覚受容体の活性化に関するデータを意味する。「試験物質による試験嗅覚受容体の活性化」は、「試験物質に対する試験嗅覚受容体の応答」と代替可能に用いられてよい。試験嗅覚受容体活性化データとしては、試験物質による試験嗅覚受容体の活性化の有無を示すデータや試験物質による試験嗅覚受容体の活性化の程度を示すデータが挙げられる。試験嗅覚受容体活性化データとしては、特に、試験物質による試験嗅覚受容体の活性化の程度を示すデータが挙げられる。「試験物質による試験嗅覚受容体の活性化の程度」とは、試験物質が試験嗅覚受容体を活性化する強度を意味してよい。試験嗅覚受容体活性化データは、具体的には、決定木に含まれる分岐で用いられる。

　「試験嗅覚受容体」とは、決定木に含まれる分岐で用いられる嗅覚受容体を意味する。「嗅覚受容体が決定木に含まれる分岐で用いられる」とは、当該嗅覚受容体についての嗅覚受容体活性化データ（すなわち、試験物質による当該嗅覚受容体の活性化に関するデータ）が決定木に含まれる分岐で用いられることを意味してよい。試験嗅覚受容体としては、以下の嗅覚受容体が挙げられる。試験嗅覚受容体は、１種の嗅覚受容体であってもよく、２種またはそれ以上の嗅覚受容体の組み合わせであってもよい。

　嗅覚受容体およびそれをコードする遺伝子（嗅覚受容体遺伝子）については、本発明の第１の態様において記載した通りである。

　試験嗅覚受容体活性化データは、公知であってもよく、そうでなくてもよい。試験嗅覚受容体活性化データが公知でない場合は、予測の実施前に、適宜、試験嗅覚受容体活性化データを取得すればよい。試験嗅覚受容体活性化データを取得する方法は、特に制限されない。試験嗅覚受容体活性化データは、例えば、物質による嗅覚受容体の活性化の有無または程度を同定する公知の方法により取得することができる。試験嗅覚受容体活性化データは、具体的には、例えば、試験嗅覚受容体と試験物質とを接触させ、試験物質との接触による試験嗅覚受容体の活性化の有無または程度を測定することにより、取得することができる。試験嗅覚受容体と試験物質との接触およびそれによる試験嗅覚受容体の活性化の有無または程度の測定は、例えば、嗅覚受容体の応答を指標とした目的の香気を呈する物質のスクリーニング方法（特開2019-037197等）を参照して実施することができる。試験嗅覚受容体は、例えば、動物細胞等の細胞に担持して利用してよい。試験嗅覚受容体の活性化は、例えば、細胞内カルシウム量または細胞内cAMP量の増大を指標として測定することができる。細胞内cAMP量を測定する手法としては、例えば、ELISAやレポーターアッセイが挙げられる。レポーターアッセイとしては、例えば、ルシフェラーゼアッセイが挙げられる。レポーターアッセイによれば、cAMP量に依存して発現するように構成されたレポーター遺伝子（ルシフェラーゼ遺伝子等）を利用して細胞内cAMP量を測定することができる。細胞内カルシウム量を測定する手法としては、例えば、カルシウムイメージングが挙げられる。

　試験嗅覚受容体と試験物質との接触およびそれによる試験嗅覚受容体の活性化の有無または程度の測定は、具体的には、例えば、以下の手順で実施できる。

　すなわち、試験物質による試験嗅覚受容体の活性化の有無または程度は、試験嗅覚受容体と試験物質を接触させ、当該接触を実施した際の（すなわち試験嗅覚受容体と試験物質を接触させる条件における）試験嗅覚受容体の活性化の程度（活性化の程度Ｄ１）を指標として決定することができる。試験嗅覚受容体と接触させる試験物質の濃度は、例えば、試験嗅覚受容体の種類や試験物質の種類等の諸条件に応じて適宜設定できる。試験嗅覚受容体と接触させる試験物質の濃度は、例えば、3～1000 μMであってよい。試験嗅覚受容体と接触させる試験物質の濃度は、典型的には、300 μMであってよい。また、例えば、300 μMで細胞毒性を示す試験物質については、試験嗅覚受容体と接触させる試験物質の濃度は、3 μM、10 μM、30 μM、または100 μMであってもよい。

　試験物質による試験嗅覚受容体の活性化の有無または程度は、具体的には、活性化の程度Ｄ１と対照条件における試験嗅覚受容体の活性化の程度（活性化の程度Ｄ２）とを比較することにより決定することができる。対照条件としては、試験嗅覚受容体と試験物質を接触させない条件が挙げられる。

　活性化の程度Ｄ１およびＤ２は、いずれも、試験嗅覚受容体の活性化の指標となるパラメータを反映するデータとして取得し、利用することができる。試験嗅覚受容体の活性化の指標となるパラメータとしては、細胞内カルシウム量や細胞内cAMP量が挙げられる。細胞内cAMP量を反映するデータとしては、ルシフェラーゼアッセイの場合、発光強度が挙げられる。試験嗅覚受容体の活性化の指標となるパラメータを反映するデータは、そのまま、あるいは適宜補正等の加工に供してから、利用することができる。

　活性化の程度Ｄ１が高い場合に、試験物質により試験嗅覚受容体が活性化されたと判断してよい。例えば、活性化の程度Ｄ２に対する活性化の程度Ｄ１の比率（すなわち、Ｄ１／Ｄ２）が、１．５以上、２以上、３以上、５以上、１０以上、２０以上、５０以上、または１００以上である場合に、試験物質により試験嗅覚受容体が活性化されたと判断してよい。活性化の程度Ｄ２に対する活性化の程度Ｄ１の比率としては、実施例に記載のnormalized response値が挙げられる。

　また、活性化の程度Ｄ１と活性化の程度Ｄ２との比較結果を指標として、試験物質による試験嗅覚受容体の活性化の程度を決定することができる。例えば、活性化の程度Ｄ２に対する活性化の程度Ｄ１の比率（すなわち、Ｄ１／Ｄ２）を、試験物質による試験嗅覚受容体の活性化の程度とみなすことができる。活性化の程度Ｄ２に対する活性化の程度Ｄ１の比率としては、実施例に記載のnormalized response値が挙げられる。

　試験物質は、公知物質であってもよく、新規物質であってもよい。試験物質は、天然物であってもよく、人工物であってもよい。試験物質は、例えば、コンビナトリアルケミストリー技術を用いて作製された化合物ライブラリーであってもよい。試験物質としては、例えば、アルコール、ケトン、アルデヒド、エーテル、エステル、炭化水素、糖、有機酸、核酸、アミノ酸、ペプチド、その他の有機または無機の各種成分が挙げられる。また、試験物質としては、特に、既存の食品添加物が挙げられる。「既存の食品添加物」とは、食品添加物としての使用が既に認められている物質を意味する。試験物質としては、１種の試験物質を用いてもよく、２種またはそれ以上の試験物質を組み合わせて用いてもよい。試験物質は、例えば、既存の食品添加物等の、上記例示したような物質を含むように選択されてよい。すなわち、試験物質としては、例えば、１種の既存の食品添加物を用いてもよく、２種またはそれ以上の食品添加物を組み合わせて用いてもよく、１種またはそれ以上の食品添加物と１種またはそれ以上の他の物質とを組み合わせて用いてもよい。なお、「２種またはそれ以上の試験物質を組み合わせて用いる」とは、２種またはそれ以上の試験物質についてそれぞれ目的の構成要素の有無を予測することを意味する。

　一態様において、試験物質は、混合物であってもよい。

　試験物質が混合物である場合、「試験物質による試験嗅覚受容体の活性化の有無または程度」とは、当該混合物全体による試験嗅覚受容体の活性化の有無または程度を意味し、当該混合物を構成する各物質による試験嗅覚受容体の活性化の有無または程度は問わない

　また、試験物質が混合物である場合、「試験物質における目的の構成要素の有無」とは、当該混合物全体における目的の構成要素の有無を意味し、当該混合物を構成する各物質における目的の構成要素の有無は問わない。すなわち、例えば、試験物質が混合物である場合、「試験物質が目的の香気特性を有する」とは、当該混合物が全体として目的の香気特性を有することを意味し、当該混合物を構成する各物質が目的の香気特性を有するかは問わない。また、「試験物質が目的の分子構造を有する」とは、当該混合物が全体として目的の分子構造を有する（すなわち、当該混合物を構成する物質から選択される少なくとも１つの物質が目的の分子構造を有する）ことを意味し、当該少なくとも１つの物質以外の当該混合物を構成する物質が目的の分子構造を有するかは問わない。

＜１－４＞決定木の生成
　決定木は、機械学習により生成することができる。すなわち、本発明の予測モデル製造方法は、機械学習により決定木を生成する工程を含んでいてよい。同工程を、「決定木生成工程」ともいう。

　機械学習の条件は、所望の精度で予測が実施できる決定木が得られる限り、特に制限されない。

　機械学習は、対照物質の構成要素データおよび対照嗅覚受容体活性化データを含むデータセットを用いて実施することができる。対照物質の構成要素データを、以下、単に「構成要素データ」ともいう。対照物質の対照嗅覚受容体活性化データを、以下、単に「対照嗅覚受容体活性化データ」ともいう。

　機械学習は、例えば、構成要素データを目的変数とし、かつ、対照嗅覚受容体活性化データを説明変数として、実施することができる。

　機械学習の方法は、決定木を生成できるものであれば、特に制限されない。機械学習の方法としては、CART（Classification and Regression Trees）、CHAID（Chi-squared Automatic Interaction Detection）、ID3（Iterative Dichotomiser 3）、C4.5が挙げられる。機械学習の方法としては、特に、CARTが挙げられる。

　機械学習は、例えば、アンサンブル学習により実施してもよい。アンサンブル学習としては、バギングやブースティングが挙げられる。バギングとしては、ランダムフォレストやExtremely Randomized Trees（ExtraTrees）が挙げられる。ブースティングとしては、XGboostやLightGBMが挙げられる。機械学習をアンサンブル学習により実施する場合、予測モデルに含まれる決定木は、アンサンブル学習後の決定木であってよい。すなわち、例えば、バギングを実施する場合、予測モデルは、バギングにより得られた複数個の決定木を含んでいてよい。この場合、予測工程において、複数個の決定木を併用することができる。すなわち、バギングによれば、複数個の決定木を弱学習器として生成することができ、それら複数個の弱学習器の組み合わせを強学習器として使用することができる。また、例えば、ブースティングを実施する場合、予測モデルは、ブースティングにより学習レベルが向上した決定木を含んでいてよい。すなわち、ブースティングによれば、弱学習器として生成した決定木を元に強学習器としての決定木を生成し使用することができる。

　「対照物質」とは、目的の構成要素の有無の指標として決定木の生成に用いることができる物質を意味する。対照物質は、その構成要素データおよび対照嗅覚受容体活性化データが利用できるものであれば、特に制限されない。

　「対照物質の構成要素データ」とは、対照物質における目的の構成要素に関するデータを意味する。目的の構成要素が香気特性である場合の構成要素データを、「香気特性データ」ともいう。目的の構成要素が分子構造である場合の構成要素データを、「分子構造データ」ともいう。構成要素データとしては、対照物質における目的の構成要素の有無を示すデータが挙げられる。

　「対照物質の対照嗅覚受容体活性化データ」とは、対照物質による対照嗅覚受容体の活性化についてのデータを意味する。対照嗅覚受容体活性化データとしては、対照物質による対照嗅覚受容体の活性化の有無を示すデータや対照物質による対照嗅覚受容体の活性化の程度を示すデータが挙げられる。対照嗅覚受容体活性化データとしては、特に、対照物質による対照嗅覚受容体の活性化の程度を示すデータが挙げられる。

　「対照嗅覚受容体」とは、決定木の生成に用いられる嗅覚受容体を意味する。「嗅覚受容体が決定木の生成に用いられる」とは、当該嗅覚受容体についての嗅覚受容体活性化データ（すなわち、対照物質による当該嗅覚受容体の活性化に関するデータ）が決定木の生成に用いられることを意味してよい。対照嗅覚受容体としては、上述した嗅覚受容体が挙げられる。すなわち、対照嗅覚受容体は、上述した嗅覚受容体を含んでいてよい。例えば、対照嗅覚受容体の総数の５０％以上、６０％以上、７０％以上、８０％以上、９０％以上、または９５％以上が上述した嗅覚受容体から選択されてもよい。対照嗅覚受容体としては、試験嗅覚受容体を含む２種またはそれ以上の嗅覚受容体の組み合わせが用いられる。対照嗅覚受容体は、試験嗅覚受容体からなるものであってもよく、試験嗅覚受容体に加えて他の嗅覚受容体を含んでいてもよい。言い換えると、対照嗅覚受容体の一部または全部が、試験嗅覚受容体として選択される。すなわち、対照嗅覚受容体の内、決定木に含まれる分岐で用いられる嗅覚受容体が、試験嗅覚受容体として選択される。

　対照嗅覚受容体の数は、所望の精度で予測が実施できる決定木が得られる限り、特に制限されない。対照嗅覚受容体の数は、例えば、目的の構成要素の種類や機械学習の方法等の諸条件に応じて適宜設定できる。

　対照嗅覚受容体の数は、例えば、５０以上、７０以上、１００以上、１５０以上、２００以上、３００以上、４００以上、または５００以上であってもよく、２０００以下、１５００以下、１０００以下、５００以下、４００以下、３００以下、２００以下、１５０以下、または１００以下であってもよく、それらの矛盾しない組み合わせであってもよい。対照嗅覚受容体の数は、具体的には、例えば、５０～２０００、１００～１０００、または３００～５００であってもよい。

　構成要素データは、公知であってもよく、そうでなくてもよい。構成要素データが公知でない場合は、決定木の生成前に、適宜、構成要素データを取得すればよい。構成要素データを取得する方法は、特に制限されない。構成要素データは、例えば、物質の構成要素の有無または程度を同定する公知の方法により同定することができる。対照物質における目的の香気特性の有無または程度は、例えば、専門パネルによる官能評価により、同定することができる。対照物質における目的の分子構造の有無は、例えば、物質の構造を同定する公知の方法により同定することができる。そのような方法としては、核磁気共鳴法（NMR）、電子スピン共鳴法（ESR）、紫外可視近赤外分光法（UV-Vis-NIR）、赤外分光法（IR）、ラマン分光法、質量分析法（MS）が挙げられる。これらの方法は、単独で用いてもよく、適宜組み合わせて用いてもよい。

　対照嗅覚受容体活性化データは、公知であってもよく、そうでなくてもよい。対照嗅覚受容体活性化データが公知でない場合は、決定木の生成前に、適宜、対照嗅覚受容体活性化データを取得すればよい。対照嗅覚受容体活性化データを取得する方法は、特に制限されない。対照嗅覚受容体活性化データは、例えば、物質による嗅覚受容体の活性化の有無または程度を同定する公知の方法により同定することができる。対照嗅覚受容体活性化データは、具体的には、例えば、対照嗅覚受容体と対照物質とを接触させ、対照物質との接触による対照嗅覚受容体の活性化の有無または程度を測定することにより、取得することができる。対照嗅覚受容体と対照物質との接触およびそれによる対照嗅覚受容体の活性化の有無または程度の測定については、上述した試験嗅覚受容体と試験物質との接触およびそれによる試験嗅覚受容体の活性化の有無または程度の測定についての記載を準用できる。

　対照物質としては、陽性対照および陰性対照を含む２種またはそれ以上の物質の組み合わせが用いられる。「陽性対照」とは、目的の構成要素を有する物質を意味する。「陰性対照」とは、目的の構成要素を有しない物質を意味する。

　対照物質は、公知物質であってもよく、新規物質であってもよい。対照物質は、天然物であってもよく、人工物であってもよい。対照物質は、例えば、コンビナトリアルケミストリー技術を用いて作製された化合物ライブラリーであってもよい。対照物質としては、例えば、アルコール、ケトン、アルデヒド、エーテル、エステル、炭化水素、糖、有機酸、核酸、アミノ酸、ペプチド、その他の有機または無機の各種成分が挙げられる。対照物質として、具体的には、目的の構成要素の有無および／または程度が公知である物質が挙げられる。目的の構成要素の有無および／または程度が公知である物質としては、The Good Scents Company（http://www.thegoodscentscompany.com/）に記載の物質が挙げられる。すなわち、対照物質は、The Good Scents Companyに記載の物質を含んでいてよい。例えば、対照物質の総数の５０％以上、６０％以上、７０％以上、８０％以上、９０％以上、または９５％以上がThe Good Scents Companyに記載の物質から選択されてもよい。The Good Scents Companyに記載の物質は、いずれも、例えば、そのOdor Descriptionに列挙された香気を呈する（すなわち、そのOdor Descriptionに列挙された香気についての陽性対照である）とみなしてよい。また、The Good Scents Companyに記載の物質は、いずれも、例えば、そのOdor Descriptionに列挙されていない香気を呈しない（すなわち、そのOdor Descriptionに列挙された香気についての陰性対照である）とみなしてよい。また、目的の構成要素の有無および／または程度が公知である物質としては、Atlas of odor character profiles（Dravnieks, A., ASTM data series publication, DS 61, PCN 05-061000-36, 1985）に記載の物質も挙げられる。すなわち、対照物質は、Atlas of odor character profilesに記載の物質を含んでいてよい。Atlas of odor character profilesに記載の物質は、いずれも、例えば、各香気のpercentage of applicability値に応じて当該香気についての陽性対照または陰性対照とみなしてよい。すなわち、Atlas of odor character profilesに記載の物質は、いずれも、例えば、或る香気のpercentage of applicability値が高い場合に、当該香気についての陽性対照とみなしてよい。また、Atlas of odor character profilesに記載の物質は、いずれも、例えば、或る香気のpercentage of applicability値が低い場合に、当該香気についての陰性対照とみなしてよい。「percentage of applicability値が高い」とは、例えば、percentage of applicability値が４以上、７以上、１０以上、１５以上、または２０以上であることを意味してよい。「percentage of applicability値が低い」とは、例えば、percentage of applicability値が４未満、３以下、２以下、１以下、または０．５以下であることを意味してよい。また、上記例示したような物質は、いずれも、当該物質が有する分子構造についての陽性対照とみなしてよい。また、上記例示したような物質は、いずれも、当該物質が有しない分子構造についての陰性対照とみなしてよい。

　一態様において、対照物質は、混合物であってもよい。

　対照物質が混合物である場合、「対照物質による対照嗅覚受容体の活性化の有無または程度」とは、当該混合物全体による対照嗅覚受容体の活性化の有無または程度を意味し、当該混合物を構成する各物質による対照嗅覚受容体の活性化の有無または程度は問わない

　また、対照物質が混合物である場合、「対照物質における目的の構成要素の有無」とは、当該混合物全体における目的の構成要素の有無を意味し、当該混合物を構成する各物質における目的の構成要素の有無は問わない。すなわち、例えば、対照物質が混合物である場合、「対照物質が目的の香気特性を有する」とは、当該混合物が全体として目的の香気特性を有することを意味し、当該混合物を構成する各物質が目的の香気特性を有するかは問わない。また、「対照物質が目的の分子構造を有する」とは、当該混合物が全体として目的の分子構造を有する（すなわち、当該混合物を構成する物質から選択される少なくとも１つの物質が目的の分子構造を有する）ことを意味し、当該少なくとも１つの物質以外の当該混合物を構成する物質が目的の分子構造を有するかは問わない。

　対照物質の数、陽性対照の数、および陰性対照の数、ならびにそれらの比率は、所望の精度で予測が実施できる決定木が得られる限り、特に制限されない。対照物質の数、陽性対照の数、および陰性対照の数、ならびにそれらの比率は、例えば、目的の構成要素の種類や機械学習の方法等の諸条件に応じて適宜設定できる。

　対照物質の数は、例えば、１００以上、１５０以上、２００以上、３００以上、４００以上、５００以上、６００以上、７００以上、８００以上、９００以上、１０００以上、１５００以上、２０００以上、３０００以上、５０００以上、１００００以上、２００００以上、５００００以上、または１０００００以上であってもよく、１００００００以下、５０００００以下、２０００００以下、１０００００以下、５００００以下、２００００以下、１００００以下、５０００以下、３０００以下、２０００以下、１５００以下、１０００以下、または５００以下であってもよく、それらの矛盾しない組み合わせであってもよい。対照物質の数は、具体的には、例えば、１００～１００００００、２００～５０００００、５００～１０００００、または１０００～２００００であってもよい。対照物質の数は、具体的には、例えば、１００～２００、２００～５００、５００～１０００、１０００～２０００、２０００～５０００、５０００～１００００、１００００～２００００、２００００～５００００、５００００～１０００００、または１０００００～２０００００であってもよい。

　陽性対照の数および陰性対照の数は、いずれも、例えば、５以上、１０以上、１５以上、２０以上、２５以上、３０以上、４０以上、５０以上、７０以上、１００以上、１５０以上、２００以上、３００以上、４００以上、５００以上、６００以上、７００以上、８００以上、９００以上、１０００以上、１５００以上、２０００以上、３０００以上、５０００以上、１００００以上、２００００以上、５００００以上、または１０００００以上であってもよく、１００００００以下、５０００００以下、２０００００以下、１０００００以下、５００００以下、２００００以下、１００００以下、５０００以下、３０００以下、２０００以下、１５００以下、１０００以下、５００以下、２００以下、１５０以下、１００以下、７０以下、または５０以下であってもよく、それらの矛盾しない組み合わせであってもよい。陽性対照の数および陰性対照の数は、いずれも、具体的には、例えば、５～１００００００、１００～１００００００、２００～５０００００、５００～１０００００、または１０００～２００００であってもよい。陽性対照の数および陰性対照の数は、いずれも、具体的には、例えば、５～１０、１０～１００、１００～２００、２００～５００、５００～１０００、１０００～２０００、２０００～５０００、５０００～１００００、１００００～２００００、２００００～５００００、５００００～１０００００、または１０００００～２０００００であってもよい。

　対照物質における陽性対照の比率および陰性対照の比率は、いずれも、例えば、０％超、１％以上、３％以上、５％以上、１０％以上、２０％以上、３０％以上、４０％以上、５０％以上、６０％以上、７０％以上、８０％以上、９０％以上、または９５％以上であってもよく、１００％未満、９９％以下、９７％以下、９５％以下、９０％以下、８０％以下、７０％以下、６０％以下、５０％以下、４０％以下、３０％以下、２０％以下、１０％以下、または５％以下であってもよく、それらの矛盾しない組み合わせであってもよい。対照物質における陽性対照の比率および陰性対照の比率は、いずれも、具体的には、例えば、１～９９％、１～５０％、１～２０％、１～１０％、１～５％、５～９９％、５～５０％、５～２０％、５～１０％、１０～９９％、１０～５０％、１０～２０％、２０～９９％、２０～５０％、または５０～９９％であってもよい。対照物質における陽性対照の比率および陰性対照の比率は、いずれも、具体的には、例えば、１～１０％、１０～２０％、２０～３０％、３０～４０％、４０～５０％、５０～６０％、６０～７０％、７０～８０％、８０～９０％、または９０～９９％であってもよい。「対照物質における陽性対照の比率」とは、対照物質の総数に対する陽性対照の数の比率を意味する。「対照物質における陰性対照の比率」とは、対照物質の総数に対する陰性対照の数の比率を意味する。対照物質の総数は、陽性対照の数と陰性対照の数の合計であってよい。

　このようにして機械学習を実施することにより、決定木を生成することができる。決定木は、２つまたはそれ以上のリーフノードを含む。決定木に含まれるリーフノードの１つまたはそれ以上を陽性リーフノードとする。すなわち、決定木は、１つまたはそれ以上の陽性リーフノードを含む。「陽性リーフノード」とは、目的の構成要素を有する可能性が高いリーフノードを意味する。「陽性リーフノード」とは、具体的には、当該リーフノードに分類される物質が目的の構成要素を有する可能性が高いリーフノードを意味する。

　決定木に含まれるリーフノードの数は、所望の精度で予測が実施できる限り、特に制限されない。決定木に含まれるリーフノードの数は、例えば、２以上、３以上、４以上、５以上、６以上、７以上、８以上、９以上、または１０以上であってもよく、１００以下、５０以下、３０以下、２５以下、２０以下、１５以下、１２以下、１０以下、９以下、８以下、７以下、６以下、または５以下であってもよく、それらの矛盾しない組み合わせであってもよい。決定木に含まれるリーフノードの数は、具体的には、例えば、２～３０、３～２０、または４～１５であってもよい。

　決定木に含まれる陽性リーフノードの数は、所望の精度で予測が実施できる限り、特に制限されない。決定木は、陽性リーフノードを１つのみ含んでいてもよく、２つまたはそれ以上含んでいてもよい。決定木に含まれる陽性リーフノードの数は、例えば、１以上、２以上、３以上、４以上、または５以上であってもよく、１０以下、９以下、８以下、７以下、６以下、５以下、４以下、３以下、または２以下であってもよく、それらの矛盾しない組み合わせであってもよい。決定木に含まれる陽性リーフノードの数は、具体的には、例えば、１～１０、１～６、または１～４であってもよい。

　いずれのリーフノードを陽性リーフノードとするかは、所望の精度で予測が実施できる限り、特に制限されない。陽性リーフノードとしては、陽性対照を含むリーフノードが挙げられる。陽性対照を含むリーフノードは、１種またはそれ以上の陽性対照を含んでいてよい。陽性対照を含むリーフノードは、陰性対照を含んでいてもよく、いなくてもよい。陽性対照を含むリーフノードは、例えば、陽性対照の比率が高いリーフノードであってもよい。「陽性対照の比率が高いリーフノード」とは、例えば、陽性対照の比率が、３０％以上、４０％以上、５０％以上、６０％以上、７０％以上、８０％以上、９０％以上、または９５％以上であるリーフノードを意味してよい。或るリーフノードにおける「陽性対照の比率」とは、該リーフノードに含まれる対照物質の数に対する該リーフノードに含まれる陽性対照の数の比率を意味する。また、例えば、陽性対照の比率が高いものから順に所望の個数のリーフノードを陽性リーフノードとしてもよい。

＜２＞本発明の第２の態様に係る本発明の予測方法
　本発明の予測方法は、試験物質について目的の構成要素の有無を予測する方法である。予測は、本発明の予測モデルを用いて実施することができる。予測は、具体的には、試験物質の試験嗅覚受容体活性化データと本発明の予測モデルとに基づいて実施することができる。すなわち、本発明の予測方法は、試験物質の試験嗅覚受容体活性化データと本発明の予測モデルとに基づいて試験物質について目的の構成要素の有無を予測する工程を含んでいてよい。同工程を、「予測工程」ともいう。

　また、試験物質について目的の構成要素の有無を予測することにより、目的の構成要素を有する物質をスクリーニングすることができる。すなわち、目的の構成要素を有すると予測された試験物質を目的の構成要素を有する物質として選抜することができ、以て目的の構成要素を有する物質をスクリーニングすることができる。すなわち、本発明の予測方法の一態様は、目的の構成要素を有する物質をスクリーニングする方法であってもよい。すなわち、本発明の予測方法は、さらに、目的の構成要素を有すると予測された試験物質を目的の構成要素を有する物質として選抜する工程を含んでいてもよい。すなわち、スクリーニング方法は、試験物質の試験嗅覚受容体活性化データと予測モデルとに基づいて試験物質について目的の構成要素の有無を予測する工程、および目的の構成要素を有すると予測された試験物質を目的の構成要素を有する物質として選抜する工程を含む、目的の構成要素を有する物質をスクリーニングする方法であってよい。また、言い換えると、スクリーニング方法は、本発明の予測方法により試験物質について目的の構成要素の有無を予測する工程、および目的の構成要素を有すると予測された試験物質を目的の構成要素を有する物質として選抜する工程を含む、目的の構成要素を有する物質をスクリーニングする方法であってもよい。

　本発明の予測方法は、予測工程の前に、さらに、本発明の予測モデル製造方法により予測モデルを製造する工程を含んでいてもよい。

　試験物質の試験嗅覚受容体活性化データに予測モデルに含まれる決定木を適用することにより、予測の指標となる結論、具体的には、試験物質における目的の構成要素の有無についての分類結果を出力することができる。具体的には、試験物質の試験嗅覚受容体活性化データに予測モデルに含まれる決定木を適用することにより、決定木に含まれるリーフノードのいずれかに試験物質を分類することができる。

　例えば、試験物質が陽性リーフノードに分類される場合に、試験物質が目的の構成要素を有すると予測してよい。また、例えば、試験物質が陽性リーフノードに分類されない場合に、試験物質が目的の構成要素を有しないと予測してよい。また、バギングを実施する場合、複数の決定木による分類結果を総合評価してよい。例えば、決定木の総数に対する試験物質が陽性リーフノードに分類される決定木の数の比率が高い場合に、試験物質が目的の構成要素を有すると予測してよい。「決定木の総数に対する試験物質が陽性リーフノードに分類される決定木の数の比率が高い」とは、例えば、決定木の総数に対する試験物質が陽性リーフノードに分類される決定木の数の比率が、５０％超、６０％以上、７０％以上、８０％以上、または９０％以上であることを意味してよい。

　本発明の予測方法は、さらに、予測の結果を評価する工程を含んでいてもよい。すなわち、試験物質の目的の構成要素を評価することにより、当該目的物質が実際に目的の構成要素を有するかを確認することができる。具体的には、例えば、目的の構成要素を有すると予測された試験物質の目的の構成要素を評価することにより、当該目的物質が実際に目的の構成要素を有するかを確認することができる。すなわち、予測の結果を評価する工程は、例えば、目的の構成要素を有すると予測された試験物質について目的の構成要素の有無を確認する工程であってよい。予測の結果を評価する方法は、特に制限されない。予測の結果を評価する方法については、対照物質の構成要素データを取得する方法についての記載を準用できる。

（Ｃ）本発明の第３の態様
　以下、本発明の第３の態様について、具体的には、本発明の第３の態様に係る本発明の予測モデル製造方法および本発明の予測方法について記載する。

＜１＞本発明の第３の態様に係る本発明の予測モデル製造方法
　本発明の予測モデル製造方法は、試験物質について目的の香気特性への適合度を予測するモデルを製造する方法である。試験物質について目的の香気特性への適合度を予測することを、以下、単に「予測」ともいう。試験物質について目的の香気特性への適合度を予測するモデルを、以下、単に「予測モデル」ともいう。

＜１－１＞予測モデル
　予測モデルは、試験物質について目的の香気特性への適合度を予測するモデルである。すなわち、予測モデルは、予測に用いることができる。予測モデルは、具体的には、本発明の予測方法に記載の態様で予測に用いることができる。

　予測モデルは、回帰式を含んでいてよい。回帰式は、予測の指標となる結論を出力するものであれば、特に制限されない。予測は、試験物質の試験嗅覚受容体活性化データに基づいて実施することができる。試験物質の試験嗅覚受容体活性化データを、以下、単に「試験嗅覚受容体活性化データ」ともいう。すなわち、回帰式は、試験嗅覚受容体活性化データに基づいて（言い換えると、試験嗅覚受容体活性化データを変数として）、予測の指標となる結論を出力するものであってよい。予測の指標となる結論としては、試験物質における目的の香気特性への適合度の予測値が挙げられる。すなわち、回帰式は、例えば、試験嗅覚受容体活性化データに基づいて、試験物質における目的の香気特性への適合度の予測値を出力するものであってよい。回帰式は、例えば、線形回帰式であってよい。

＜１－２＞目的の香気特性への適合度
　「目的の香気特性」とは、適合度の予測の対象となる香気特性を意味する。

　香気および香気特性については、本発明の第１の態様において記載した通りである。

　「香気特性への適合度」とは、対象の香気特性に対する質的な近さを意味する。すなわち、「香気特性への適合度が高い」とは、対象の香気そのものに近い香気を呈する性質を有することを意味する。例えば、「香気特性「STARWBERRY」への適合度が高い」とは、STARWBERRYそのものに近い香気を呈する性質を有することを意味する。「香気特性への適合度が高い」ことを、「香気特性への高い適合度を有する」ともいう。香気特性への適合度としては、Atlas of odor character profiles（Dravnieks, A., ASTM data series publication, DS 61, PCN 05-061000-36, 1985）に記載の基準に従って算出されるpercentage of applicability値が挙げられる。percentage of applicability値は、具体的には、複数名の専門パネルが対象の物質における対象の香気の強度を６段階（０～５点：0, Absent；1, Slightly；3, Moderately；5, Extremely）で評価し、「１以上のスコアを付けた専門パネルの比率（％）」と「全専門パネルのスコアの平均値÷５」の相乗平均を算出することで、０～１００のスコアとして取得することができる。

　香気は、１種の香気であってもよく、２種またはそれ以上の香気の組み合わせであってもよい。すなわち、「香気特性への適合度」とは、いずれか１種の香気特性への適合度を意味してもよく、２種またはそれ以上の香気特性それぞれへの適合度を意味してもよい。

＜１－３＞試験物質
　「試験物質」とは、目的の香気特性への適合度を予測する対象となる物質を意味する。また、「試験物質」とは、言い換えると、目的の香気特性への適合度が高い物質をスクリーニングする方法においては、目的の香気特性への適合度が高い物質の候補として用いられる物質を意味する。試験物質は、その試験嗅覚受容体活性化データが利用できるものであれば、特に制限されない。

　「試験物質の試験嗅覚受容体活性化データ」とは、試験物質による試験嗅覚受容体の活性化に関するデータを意味する。「試験物質による試験嗅覚受容体の活性化」は、「試験物質に対する試験嗅覚受容体の応答」と代替可能に用いられてよい。試験嗅覚受容体活性化データとしては、試験物質による試験嗅覚受容体の活性化の有無を示すデータや試験物質による試験嗅覚受容体の活性化の程度を示すデータが挙げられる。試験嗅覚受容体活性化データとしては、特に、試験物質による試験嗅覚受容体の活性化の程度を示すデータが挙げられる。「試験物質による試験嗅覚受容体の活性化の程度」とは、試験物質が試験嗅覚受容体を活性化する強度を意味してよい。試験嗅覚受容体活性化データは、具体的には、回帰式に変数として代入して用いられる。

　「試験嗅覚受容体」とは、回帰式で用いられる嗅覚受容体を意味する。「嗅覚受容体が回帰式で用いられる」とは、当該嗅覚受容体についての嗅覚受容体活性化データ（すなわち、試験物質による当該嗅覚受容体の活性化に関するデータ）が回帰式に変数として代入して用いられることを意味してよい。試験嗅覚受容体としては、以下の嗅覚受容体が挙げられる。試験嗅覚受容体は、１種の嗅覚受容体であってもよく、２種またはそれ以上の嗅覚受容体の組み合わせであってもよい。

　試験物質は、公知物質であってもよく、新規物質であってもよい。試験物質は、天然物であってもよく、人工物であってもよい。試験物質は、例えば、コンビナトリアルケミストリー技術を用いて作製された化合物ライブラリーであってもよい。試験物質としては、例えば、アルコール、ケトン、アルデヒド、エーテル、エステル、炭化水素、糖、有機酸、核酸、アミノ酸、ペプチド、その他の有機または無機の各種成分が挙げられる。また、試験物質としては、特に、既存の食品添加物が挙げられる。「既存の食品添加物」とは、食品添加物としての使用が既に認められている物質を意味する。試験物質としては、１種の試験物質を用いてもよく、２種またはそれ以上の試験物質を組み合わせて用いてもよい。試験物質は、例えば、既存の食品添加物等の、上記例示したような物質を含むように選択されてよい。すなわち、試験物質としては、例えば、１種の既存の食品添加物を用いてもよく、２種またはそれ以上の食品添加物を組み合わせて用いてもよく、１種またはそれ以上の食品添加物と１種またはそれ以上の他の物質とを組み合わせて用いてもよい。なお、「２種またはそれ以上の試験物質を組み合わせて用いる」とは、２種またはそれ以上の試験物質についてそれぞれ目的の香気特性への適合度を予測することを意味する。

　一態様において、試験物質は、混合物であってもよい。

　また、試験物質が混合物である場合、「試験物質における目的の香気特性への適合度」とは、当該混合物全体における目的の香気特性への適合度を意味し、当該混合物を構成する各物質における目的の香気特性への適合度は問わない。すなわち、例えば、試験物質が混合物である場合、「試験物質が目的の香気特性に対して高い適合度を有する」とは、当該混合物が全体として目的の香気特性に対して高い適合度を有することを意味し、当該混合物を構成する各物質が目的の香気特性に対して高い適合度を有するかは問わない。

＜１－４＞回帰式の生成
　回帰式は、機械学習により生成することができる。すなわち、本発明の予測モデル製造方法は、機械学習により回帰式を生成する工程を含んでいてよい。同工程を、「回帰式生成工程」ともいう。

　機械学習の条件は、所望の精度で予測が実施できる回帰式が得られる限り、特に制限されない。

　機械学習は、対照物質の香気特性データおよび対照嗅覚受容体活性化データを含むデータセットを用いて実施することができる。対照物質の香気特性データを、以下、単に「香気特性データ」ともいう。対照物質の対照嗅覚受容体活性化データを、以下、単に「対照嗅覚受容体活性化データ」ともいう。

　機械学習は、例えば、香気特性データを目的変数とし、かつ、対照嗅覚受容体活性化データを説明変数として、実施することができる。

　機械学習の方法は、回帰式を生成できるものであれば、特に制限されない。機械学習の方法としては、回帰分析が挙げられる。回帰分析としては、単回帰分析や重回帰分析が挙げられる。回帰分析としては、特に、重回帰分析が挙げられる。線形回帰式を生成できる回帰分析としては、線形回帰分析が挙げられる。線形回帰分析としては、線形単回帰分析や線形重回帰分析が挙げられる。線形回帰分析としては、特に、線形重回帰分析が挙げられる。

　機械学習は、例えば、アンサンブル学習により実施してもよい。アンサンブル学習としては、バギングやブースティングが挙げられる。機械学習をアンサンブル学習により実施する場合、予測モデルに含まれる回帰式は、アンサンブル学習後の回帰式であってよい。すなわち、例えば、バギングを実施する場合、予測モデルは、バギングにより得られた複数個の回帰式を含んでいてよい。この場合、予測工程において、複数個の回帰式を併用することができる。すなわち、バギングによれば、複数個の回帰式を弱学習器として生成することができ、それら複数個の弱学習器の組み合わせを強学習器として使用することができる。また、例えば、ブースティングを実施する場合、予測モデルは、ブースティングにより学習レベルが向上した回帰式を含んでいてよい。すなわち、ブースティングによれば、弱学習器として生成した回帰式を元に強学習器としての回帰式を生成し使用することができる。

　「対照物質」とは、目的の香気特性への適合度の指標として回帰式の生成に用いることができる物質を意味する。対照物質は、その香気特性データおよび対照嗅覚受容体活性化データが利用できるものであれば、特に制限されない。

　「対照物質の香気特性データ」とは、対照物質における目的の香気特性への適合度を示すデータを意味する。対照物質における目的の香気特性への適合度を示すデータとしては、Atlas of odor character profiles（Dravnieks, A., ASTM data series publication, DS 61, PCN 05-061000-36, 1985）に記載の基準に従って算出されるpercentage of applicability値が挙げられる。

　「対照嗅覚受容体」とは、回帰式の生成に用いられる嗅覚受容体を意味する。「嗅覚受容体が回帰式の生成に用いられる」とは、当該嗅覚受容体についての嗅覚受容体活性化データ（すなわち、対照物質による当該嗅覚受容体の活性化に関するデータ）が回帰式の生成に用いられることを意味してよい。対照嗅覚受容体としては、上述した嗅覚受容体が挙げられる。すなわち、対照嗅覚受容体は、上述した嗅覚受容体を含んでいてよい。例えば、対照嗅覚受容体の総数の５０％以上、６０％以上、７０％以上、８０％以上、９０％以上、または９５％以上が上述した嗅覚受容体から選択されてもよい。対照嗅覚受容体としては、試験嗅覚受容体を含む２種またはそれ以上の嗅覚受容体の組み合わせが用いられる。対照嗅覚受容体は、試験嗅覚受容体からなるものであってもよく、試験嗅覚受容体に加えて他の嗅覚受容体を含んでいてもよい。言い換えると、対照嗅覚受容体の一部または全部が、試験嗅覚受容体として選択される。すなわち、対照嗅覚受容体の内、回帰式で用いられる嗅覚受容体が、試験嗅覚受容体として選択される。言い換えると、対照嗅覚受容体の一部または全部についての対照嗅覚受容体活性化データを説明変数として機械学習を実施してもよい。すなわち、「対照嗅覚受容体活性化データを説明変数として機械学習が実施される」とは、対照嗅覚受容体の一部または全部についての対照嗅覚受容体活性化データを説明変数として機械学習が実施されることを意味してよい。例えば、対照嗅覚受容体の内、香気特性データおよび対照嗅覚受容体活性化データの相関係数が高い嗅覚受容体を、試験嗅覚受容体として選択してもよい。言い換えると、対照嗅覚受容体の内、香気特性データおよび対照嗅覚受容体活性化データの相関係数が高い嗅覚受容体についての対照嗅覚受容体活性化データを説明変数として機械学習を実施してもよい。「香気特性データおよび対照嗅覚受容体活性化データの相関係数が高い」とは、例えば、香気特性データおよび対照嗅覚受容体活性化データの相関係数の絶対値が、０．１超、０．１５超、０．２超、０．２５超、または０．３超であることを意味してよい。香気特性データおよび対照嗅覚受容体活性化データの相関係数が高い嗅覚受容体は、香気特性データおよび対照嗅覚受容体活性化データの相関係数を算出することにより、同定できる。すなわち、回帰式生成工程は、例えば、機械学習の前に、香気特性データおよび対照嗅覚受容体活性化データの相関係数を算出する工程を含んでいてよい。

　対照嗅覚受容体の数は、所望の精度で予測が実施できる回帰式が得られる限り、特に制限されない。対照嗅覚受容体の数は、例えば、目的の香気特性の種類や機械学習の方法等の諸条件に応じて適宜設定できる。

　回帰式で用いられる対照嗅覚受容体の数（すなわち、試験嗅覚受容体の数）は、例えば、１０以上、１５以上、２０以上、２５以上、３０以上、４０以上、５０以上、７０以上、１００以上、１５０以上、２００以上、３００以上、４００以上、または５００以上であってもよく、２０００以下、１５００以下、１０００以下、５００以下、４００以下、３００以下、２００以下、１５０以下、１００以下、７０以下、５０以下、４０以下、３０以下、２５以下、または２０以下であってもよく、それらの矛盾しない組み合わせであってもよい。対照嗅覚受容体の数は、具体的には、例えば、１０～１０００、１５～５００、または２０～２００であってもよい。

　香気特性データは、公知であってもよく、そうでなくてもよい。香気特性データが公知でない場合は、回帰式の生成前に、適宜、香気特性データを取得すればよい。香気特性データを取得する方法は、特に制限されない。香気特性データは、例えば、物質における香気特性への適合度を同定する公知の方法により同定することができる。対照物質における目的の香気特性への適合度は、例えば、専門パネルによる官能評価により、同定することができる。具体的には、例えば、目的の香気特性へのpercentage of applicability値は、Atlas of odor character profiles（Dravnieks, A., ASTM data series publication, DS 61, PCN 05-061000-36, 1985）に記載の基準に従って算出することができる。

　対照嗅覚受容体活性化データは、公知であってもよく、そうでなくてもよい。対照嗅覚受容体活性化データが公知でない場合は、回帰式の生成前に、適宜、対照嗅覚受容体活性化データを取得すればよい。対照嗅覚受容体活性化データを取得する方法は、特に制限されない。対照嗅覚受容体活性化データは、例えば、物質による嗅覚受容体の活性化の有無または程度を同定する公知の方法により同定することができる。対照嗅覚受容体活性化データは、具体的には、例えば、対照嗅覚受容体と対照物質とを接触させ、対照物質との接触による対照嗅覚受容体の活性化の有無または程度を測定することにより、取得することができる。対照嗅覚受容体と対照物質との接触およびそれによる対照嗅覚受容体の活性化の有無または程度の測定については、上述した試験嗅覚受容体と試験物質との接触およびそれによる試験嗅覚受容体の活性化の有無または程度の測定についての記載を準用できる。

　対照物質としては、２種またはそれ以上の物質の組み合わせが用いられる。

　対照物質は、公知物質であってもよく、新規物質であってもよい。対照物質は、天然物であってもよく、人工物であってもよい。対照物質は、例えば、コンビナトリアルケミストリー技術を用いて作製された化合物ライブラリーであってもよい。対照物質としては、例えば、アルコール、ケトン、アルデヒド、エーテル、エステル、炭化水素、糖、有機酸、核酸、アミノ酸、ペプチド、その他の有機または無機の各種成分が挙げられる。対照物質として、具体的には、目的の香気特性への適合度が公知である物質が挙げられる。目的の香気特性への適合度が公知である物質としては、Atlas of odor character profiles（Dravnieks, A., ASTM data series publication, DS 61, PCN 05-061000-36, 1985）に記載の物質が挙げられる。すなわち、対照物質は、Atlas of odor character profilesに記載の物質を含んでいてよい。例えば、対照物質の総数の５０％以上、６０％以上、７０％以上、８０％以上、９０％以上、または９５％以上がAtlas of odor character profilesに記載の物質から選択されてもよい。

　一態様において、対照物質は、混合物であってもよい。

　また、対照物質が混合物である場合、「対照物質における目的の香気特性への適合度」とは、当該混合物全体における目的の香気特性への適合度を意味し、当該混合物を構成する各物質における目的の香気特性への適合度は問わない。すなわち、例えば、対照物質が混合物である場合、「対照物質が目的の香気特性に対して高い適合度を有する」とは、当該混合物が全体として目的の香気特性に対して高い適合度を有することを意味し、当該混合物を構成する各物質が目的の香気特性に対して高い適合度を有するかは問わない。

　対照物質の数は、所望の精度で予測が実施できる回帰式が得られる限り、特に制限されない。対照物質の数は、例えば、目的の香気特性の種類や機械学習の方法等の諸条件に応じて適宜設定できる。

　対照物質の数は、例えば、３０以上、４０以上、５０以上、７０以上、１００以上、１５０以上、２００以上、３００以上、４００以上、５００以上、６００以上、７００以上、８００以上、９００以上、１０００以上、１５００以上、２０００以上、３０００以上、５０００以上、１００００以上、２００００以上、５００００以上、または１０００００以上であってもよく、１００００００以下、５０００００以下、２０００００以下、１０００００以下、５００００以下、２００００以下、１００００以下、５０００以下、３０００以下、２０００以下、１５００以下、１０００以下、５００以下、４００以下、３００以下、２００以下、１５０以下、１００以下、７０以下、または５０以下であってもよく、それらの矛盾しない組み合わせであってもよい。対照物質の数は、具体的には、例えば、３０～１００００００、１００～１００００００、２００～５０００００、５００～１０００００、または１０００～２００００であってもよい。対照物質の数は、具体的には、例えば、３０～１００、１００～２００、２００～５００、５００～１０００、１０００～２０００、２０００～５０００、５０００～１００００、１００００～２００００、２００００～５００００、５００００～１０００００、または１０００００～２０００００であってもよい。対照物質の数は、具体的には、例えば、３０～１０００、５０～５００、または１００～２００であってもよい。

＜２＞本発明の第３の態様に係る本発明の予測方法
　本発明の予測方法は、試験物質について目的の香気特性への適合度を予測する方法である。予測は、本発明の予測モデルを用いて実施することができる。予測は、具体的には、試験物質の試験嗅覚受容体活性化データと本発明の予測モデルとに基づいて実施することができる。すなわち、本発明の予測方法は、試験物質の試験嗅覚受容体活性化データと本発明の予測モデルとに基づいて試験物質について目的の香気特性への適合度を予測する工程を含んでいてよい。同工程を、「予測工程」ともいう。

　また、試験物質について目的の香気特性への適合度を予測することにより、目的の香気特性への適合度が高い物質をスクリーニングすることができる。すなわち、目的の香気特性への適合度が高いと予測された試験物質を目香気特性への適合度が高い物質として選抜することができ、以て香気特性への適合度が高い物質をスクリーニングすることができる。すなわち、本発明の予測方法の一態様は、目的の香気特性への適合度が高い物質をスクリーニングする方法であってもよい。すなわち、本発明の予測方法は、さらに、目的の香気特性への適合度が高いと予測された試験物質を目的の香気特性への適合度が高い物質として選抜する工程を含んでいてもよい。すなわち、スクリーニング方法は、試験物質の試験嗅覚受容体活性化データと予測モデルとに基づいて試験物質について目的の香気特性への適合度を予測する工程、および目的の香気特性への適合度が高いと予測された試験物質を目的の香気特性への適合度が高い物質として選抜する工程を含む、目的の香気特性への適合度が高い物質をスクリーニングする方法であってよい。また、言い換えると、スクリーニング方法は、本発明の予測方法により試験物質について目的の香気特性への適合度を予測する工程、および目的の香気特性への適合度が高いと予測された試験物質を目的の香気特性への適合度が高い物質として選抜する工程を含む、目的の香気特性への適合度が高い物質をスクリーニングする方法であってもよい。

　試験物質の試験嗅覚受容体活性化データに予測モデルに含まれる回帰式を適用することにより、予測の指標となる結論、具体的には、試験物質における目的の香気特性への適合度の予測値を出力することができる。具体的には、試験物質の試験嗅覚受容体活性化データに予測モデルに含まれる回帰式を適用することにより、試験物質における目的の香気特性への適合度の予測値を出力することができる。また、バギングを実施する場合、複数の回帰式による出力結果を総合評価してよい。バギングを実施する場合、「試験物質における目的の香気特性への適合度の予測値」とは、例えば、複数の回帰式により出力された試験物質における目的の香気特性への適合度の予測値の平均値を意味してよい。

　試験物質における目的の香気特性への適合度の予測値が高い場合に、試験物質が目的の香気特性への高い適合度を有すると予測してよい。「目的の香気特性への適合度の予測値が高い」とは、例えば、目的の香気特性へのpercentage of applicability値が４以上、７以上、１０以上、１５以上、または２０以上であることを意味してよい。

　本発明の予測方法は、さらに、予測の結果を評価する工程を含んでいてもよい。すなわち、試験物質における目的の香気特性への適合度を評価することにより、当該目的物質が実際に目的の香気特性への高い適合度を有するかを確認することができる。具体的には、例えば、目的の香気特性への高い適合度を有すると予測された試験物質の目的の香気特性への適合度を評価することにより、当該目的物質が実際に目的の香気特性への高い適合度を有するかを確認することができる。すなわち、予測の結果を評価する工程は、例えば、目的の香気特性への高い適合度を有すると予測された試験物質について目的の香気特性への適合度を確認する工程であってよい。予測の結果を評価する方法は、特に制限されない。予測の結果を評価する方法については、対照物質の香気特性データを取得する方法についての記載を準用できる。

＜実施例Ａ＞
　以下、本発明の第１の態様に係る非限定的な実施例を参照して、本発明をさらに具体的に説明する。なお、以下の実施例において使用する物質は「試験物質」と表記するが、それらの物質は本発明の予測方法および本発明の設計方法においては対照物質として使用できる。

＜１＞ヒト嗅覚受容体発現細胞の作製
＜１－１＞ヒト嗅覚受容体の発現ベクターの作製
　嗅覚受容体として、ヒト嗅覚受容体の内の352種（OR1A1、OR1A2、OR1B1、OR1C1、OR1D2、OR1D5、OR1E1、OR1F1、OR1F12、OR1G1、OR1I1、OR1J1、OR1J2、OR1J4、OR1K1、OR1L1、OR1L3、OR1L4、OR1L8、OR1M1、OR1N1、OR1N2、OR1Q1、OR1R1P、OR1S1、OR2A1、OR2A2、OR2A4、OR2A5、OR2A12、OR2A14、OR2A25、OR2AE1、OR2AG1、OR2AG2、OR2AJ1P、OR2AK2、OR2AP1、OR2AT4、OR2B2、OR2B3、OR2B6、OR2B11、OR2C1、OR2C3、OR2D2、OR2D3、OR2F1、OR2G2、OR2G3、OR2G6、OR2H1、OR2H2、OR2J2、OR2J3、OR2K2、OR2L2、OR2L8、OR2L13、OR2M2、OR2M4、OR2M7、OR2S2、OR2T1、OR2T2、OR2T5、OR2T6、OR2T8、OR2T10、OR2T11、OR2T27、OR2T34、OR2V2、OR2W1、OR2W3、OR2Y1、OR2Z1、OR3A1、OR3A2、OR3A3、OR3A4、OR4A5、OR4A15、OR4A16、OR4A47、OR4B1、OR4C3、OR4C5、OR4C6、OR4C11、OR4C12、OR4C13、OR4C15、OR4C16、OR4C46、OR4D1、OR4D2、OR4D5、OR4D6、OR4D9、OR4D10、OR4D11、OR4E2、OR4F3、OR4F5、OR4F6、OR4F14P、OR4F15、OR4G11P、OR4H12P、OR4K1、OR4K2、OR4K5、OR4K13、OR4K14、OR4K15、OR4K17、OR4L1、OR4M1、OR4N2、OR4N4、OR4N5、OR4P4、OR4Q3、OR4S1、OR4S2、OR4X1、OR4X2、OR5A1、OR5A2、OR5AC2、OR5AK2、OR5AK3P、OR5AN1、OR5AP2、OR5AR1、OR5AS1、OR5AU1、OR5B2、OR5B3、OR5B12、OR5B17、OR5B21、OR5C1、OR5D13、OR5D14、OR5D16、OR5D18、OR5F1、OR5H1、OR5H2、OR5H6、OR5H14、OR5I1、OR5J2、OR5K1、OR5K3、OR5K4、OR5L2、OR5M3、OR5M8、OR5M9、OR5M10、OR5M11、OR5P3、OR5R1、OR5T1、OR5T2、OR5T3、OR5V1、OR5W2、OR6A2、OR6B1、OR6B2、OR6C1、OR6C2、OR6C3、OR6C4、OR6C6、OR6C65、OR6C66P、OR6C68、OR6C70、OR6C74、OR6C75、OR6C76、OR6F1、OR6J1、OR6K2、OR6K3、OR6K6、OR6M1、OR6N1、OR6N2、OR6P1、OR6Q1、OR6S1、OR6T1、OR6V1、OR6X1、OR6Y1、OR7A3P、OR7A5、OR7A10、OR7A17、OR7C1、OR7C2、OR7D2、OR7D4、OR7E24、OR7G1、OR7G2、OR7G3、OR8A1、OR8B3、OR8B4、OR8B8、OR8B12、OR8D1、OR8D2、OR8D4、OR8G2、OR8G5、OR8H3、OR8I2、OR8J1、OR8J3、OR8K1、OR8K3、OR8K5、OR8S1、OR8U1、OR9A4、OR9G1、OR9G4、OR9I1、OR9K2、OR9Q1、OR9Q2、OR10A3、OR10A4、OR10A5、OR10A6、OR10A7、OR10AD1、OR10AG1、OR10C1、OR10D3、OR10D4P、OR10G2、OR10G3、OR10G4、OR10G6、OR10G7、OR10G9、OR10H2、OR10H4、OR10J1、OR10J3、OR10J5、OR10K1、OR10K2、OR10P1、OR10Q1、OR10R2、OR10S1、OR10T2、OR10V1、OR10W1、OR10X1、OR10Z1、OR11A1、OR11G2、OR11H4、OR11H6、OR11H12、OR11L1、OR12D2、OR12D3、OR13A1、OR13C2、OR13C3、OR13C4、OR13C8、OR13D1、OR13F1、OR13G1、OR13H1、OR13J1、OR14A2、OR14A16、OR14C36、OR14I1、OR14J1、OR14K1、OR14L1P、OR51A1P、OR51A4、OR51A7、OR51B2、OR51B4、OR51B5、OR51B6、OR51D1、OR51E1、OR51E2、OR51F1、OR51F2、OR51F5P、OR51G1、OR51G2、OR51H1、OR51I1、OR51I2、OR51L1、OR51M1、OR51Q1、OR51S1、OR51T1、OR51V1、OR52A1、OR52A4、OR52A5、OR52B2、OR52B4、OR52B6、OR52D1、OR52E2、OR52E4、OR52E5、OR52E8、OR52H1、OR52I2、OR52J3、OR52K2、OR52L2P、OR52M1、OR52N1、OR52N2、OR52N4、OR52N5、OR52P2P、OR52R1、OR52W1、OR52Z1P、OR56A1、OR56A3、OR56A4、OR56A5、OR56B1、OR56B2P、OR56B4を採用した。

　ヒト嗅覚受容体遺伝子352種を、TrueClone cDNA Cloneコレクション（OriGene）から購入した。GenBankに登録されている配列情報を基にデザインしたプライマーを用い、購入したヒト嗅覚受容体遺伝子を鋳型としたPCR法により、ヒト嗅覚受容体遺伝子352種のサブクローニング用断片をそれぞれ増幅した。増幅した各遺伝子のサブクローニング用断片を、EcoRIおよびXhoIサイトを利用して、Rho-pME18Sベクター（K. Kajiya et al., Journal of Neuroscience 15 August 2001, 21 (16) 6018-6025）のRhoタグ配列の下流にサブクローニングし、ヒト嗅覚受容体の発現ベクター352種を得た。

＜１－２＞嗅覚受容体発現細胞の作製
　嗅覚受容体352種をそれぞれ発現させたHEK293T細胞を以下の手順で作製した。表１に示す遺伝子混合液及び表２に示すトランスフェクション試薬混合液を調整し、室温で5分間静置した。pcDNA3.1-microbat RTP1sはコウモリRTP1sの発現ベクター、pcDNA3.1-GolfはヒトGolfの発現ベクター、pcDNA3.1-Ric8BはラットRic8Bの発現ベクターである（特開2019-037197）。遺伝子混合液とトランスフェクション試薬混合液を混合し、poly-D-lysine coat 384 well プレートの各ウェルに12.5 μLずつ分注し、クリーンベンチ内で15分静置した。前日に10 cmシャーレに播種したHEK293T細胞（2.5×10⁶細胞/10 cmシャーレ）を1.2×10⁵細胞/mLに調製し、384 well プレートの各ウェルに25 μLずつ播種し、37℃、5% CO₂を保持したインキュベータ内で一晩培養した。このようにして、表１に示す発現ベクターがトランスフェクションされ、それら発現ベクターにコードされる遺伝子を適宜発現するHEK293T細胞の培養物352種を得た。

＜２＞ヒト嗅覚受容体活性データベースの作製
＜２－１＞ルシフェラーゼアッセイ
　嗅覚受容体発現細胞を利用して、試験物質に対する嗅覚受容体の応答を測定した。

　HEK293T細胞に発現させた嗅覚受容体352種は、Golfと共役してアデニル酸シクラーゼを活性化し、以て細胞内cAMP量を増加させる。本実施例において、試験物質に対する嗅覚受容体の応答の測定には、細胞内cAMP量の増加をホタルルシフェラーゼ由来の発光値の増加としてモニターするルシフェラーゼレポータージーンアッセイを用いた。「ルシフェラーゼレポータージーンアッセイ」を「ルシフェラーゼアッセイ」ともいう。ホタルルシフェラーゼは、pGL4.29[luc2P/CRE/Hygro] Vectorに搭載されたホタルルシフェラーゼ遺伝子から、細胞内cAMP量依存的に発現する。併せて、ウミシイタケルシフェラーゼ由来の発光値を、各ウェルの遺伝子導入効率や細胞数の誤差を補正するための内部標準として用いた。ウミシイタケルシフェラーゼは、pGL4.74[hRluc/TK] Vectorに搭載されたウミシイタケルシフェラーゼ遺伝子から、TKプロモーターの制御下で構成的に発現する。

　試験物質として、The Good Scents Company（http://www.thegoodscentscompany.com/）に記載の物質から941種の物質を選択した。上記＜１－２＞で得られた培養物352種から培地を取り除き、それぞれに941種の試験物質溶液を15 μL添加し、352×941種の反応液を得た。各試験物質溶液は、各試験物質をCD293（Life Technologies, Inc.）に溶解して調製した。試験物質溶液中の試験物質濃度は、原則として300 μMとした。ただし、300 μMで細胞毒性を示した試験物質については、試験物質溶液中の試験物質濃度を3 μM、10 μM、30 μM、または100 μMに設定した。また、極一部の試験物質については、試験物質溶液中の試験物質濃度を1000 μMに設定した。37℃、5% CO₂を保持したインキュベータ内に反応液を配置して細胞を4時間培養し、ホタルルシフェラーゼ遺伝子を細胞内で十分に発現させた。細胞内のホタルルシフェラーゼ由来の発光値を測定し、「Luc値」とした。また、細胞内のウミシイタケルシフェラーゼ由来の発光値を測定し、「hRLuc値」とした。各ルシフェラーゼ由来の発光値は、Dual-Glo^TM luciferase assay system（Promega）を用い、製品の操作マニュアルに従って測定した。

＜２－２＞嗅覚受容体活性の算出
　試験物質刺激により誘導されたホタルルシフェラーゼ由来の発光値（Luc値）を、同一ウェルのウミシイタケルシフェラーゼ由来の発光値（hRluc値）で割り、「Luc/hRluc値」とした。試験物質刺激を行った細胞でのLuc/hRluc値を、試験物質刺激を行わない細胞でのLuc/hRluc値で割り、「fold increase」とした。さらに、嗅覚受容体の発現ベクターを導入した細胞でのfold increaseを、空ベクターRho-pME18Sを導入した細胞でのfold increaseで割り、「normalized response」とした。normalized responseの常用対数を、試験物質に対する嗅覚受容体の応答強度の定量指標である「嗅覚受容体活性」とした。以降、嗅覚受容体活性が-1、0、1であると表現する際はnormalized responseの常用対数が-1、0、1であること、すなわちnormalized responseが0.1、1、10であることを指し、各々、試験物質刺激に対する嗅覚受容体導入細胞の応答が、試験物質刺激に対する空ベクター導入細胞の応答の1/10倍、1倍、10倍の強度であることを意味する。なお、簡便のため、試験物質溶液中の試験物質濃度の違いが嗅覚受容体活性に与え得る影響は無視した。

＜２－３＞試験物質の分子構造情報
　試験物質のisomeric SMILESをPubChem（https://pubchem.ncbi.nlm.nih.gov/）から取得した。オープンソースケモインフォマティクスソフトRDKit（http://www.rdkit.org）を用いて、isomeric SMILESを正準化した後に、3次元構造データに変換し、SDF形式で保存した。

＜２－４＞試験物質の香気特性情報
　試験物質の香気特性情報としては、The Good Scents Company（http://www.thegoodscentscompany.com）のOrganoleptic PropertiesのOdor Descriptionに記載されている記述子を引用した。

＜３＞多重立体配座を考慮した立体化学構造の類似度のスコア化
＜３－１＞香気成分の多重立体配座の発生
　上記＜２－３＞で得たSDFデータから統合計算化学システムMOE（CCG社）を用い、pH 7.0の条件のもと構造データへの水素付加及び最適化を実施した。立体配座生成ソフトOMEGA（OpenEye社）を用い、大環状化合物はOMEGA macrocyclicにて、それ以外の化合物はOMEGA classicにて、多重立体配座を生成した。

＜３－２＞立体化学構造の類似度の算出
　分子表面形状類似度計算ソフトROCS（OpenEye社）を用い、上記＜３－１＞で発生させた全試験物質の全立体配座ペアについて、表面形状と表面化学特性に着目した類似度を計算した。試験物質間の立体化学構造類似度は、当該物質間の全立体配座ペアにおける類似度の最大値を採用した。ROCSによる類似度計算の仕様上、立体配座ペアのどちらをクエリーとするかによって算出される類似度が必ずしも一致しない。そのような場合は2つの数値の平均値を当該ペアの類似度とすることで対称行列化し、最終的に、全試験物質間の多重立体配座を考慮した立体化学構造類似度行列を得た。

＜４＞多重立体配座を考慮した立体化学構造類似度による分子構造表現
＜４－１＞多重立体配座を考慮した立体化学構造類似度を用いたクラスタ分析
　全試験物質間の多重立体配座を考慮した立体化学構造類似度行列を、各試験物質に関する多次元の立体化学構造情報特徴量ベクトルからなる行列であるとみなし、各試験物質間のEuclidean距離を算出し、Ward法による階層クラスタ分析を行った。階層クラスタ分析結果に従い、立体化学構造類似度行列を並べ替え、類似度の高さを示すヒートマップを作成した（図１）。ヒートマップの左側に、階層クラスタ分析により生成されたデンドログラム及びデンドログラムに基づいて全試験物質を9クラスタに分類した結果を色の濃淡で示した。

＜４－２＞多重立体配座を考慮した立体化学構造類似度行列の次元縮約による可視化
　全試験物質間の多重立体配座を考慮した立体化学構造類似度行列を、各試験物質に関する多次元の立体化学構造情報特徴量ベクトルからなる行列であるとみなし、次元縮約手法により試験物質間の立体構造類似関係を反映した可視化を行った。次元縮約手法としては、t分布型確率的近傍埋め込み法（t-SNE, Van der Maatenら、2008年、Visualizing Data Using t-SNE、Journal of Machine Learning Research 9: 2579-2605）を用い、全試験物質を３次元空間にプロットした結果を図２に示した。各点の濃淡は、上記＜４－１＞のクラスタリング結果の色の濃淡と同一である。この３次元マップ（以下、化学構造類似度空間と呼ぶ）においては、立体化学構造が近い化合物は近くに、立体化学構造が遠い化合物は遠くに配置される。

＜４－３＞立体化学構造類似度空間における嗅覚受容体活性化特性
　上記＜４－２＞にて作成した化学構造類似度空間における各試験物質を表す点を、上記＜２－２＞で算出した嗅覚受容体活性の高低で色分けしてヒートマップ化した（図３～５）。図中、各試験物質を表す点は、嗅覚受容体活性が高い程黒く、嗅覚受容体活性が低い程白く示した。図中、「Response」は、嗅覚受容体活性を示す。OR4S2活性（すなわち、嗅覚受容体OR4S2についての嗅覚受容体活性）の高低で色分けした結果を図３に、OR5K1活性（すなわち、嗅覚受容体OR5K1についての嗅覚受容体活性）の高低で色分けした結果を図４に、OR10G4活性（すなわち、嗅覚受容体OR10G4についての嗅覚受容体活性）の高低で色分けした結果を図５に示す。図３～５より、立体化学構造類似度空間において、黒い点が狭い範囲に局在すること、すなわち、各嗅覚受容体活性化特性を示す試験物質が狭い範囲に局在することが示された。よって、多重立体配座を考慮した立体化学構造類似度を指標として物質の嗅覚受容体活性化特性を予測できることが明らかとなった。

＜４－４＞立体化学構造類似度空間における香気特性
　上記＜４－２＞にて作成した化学構造類似度空間における各試験物質を表す点を、上記＜２－４＞で得た香気特性の有無で色分けして示した（図６～８）。図中、各試験物質を表す点は、香気特性を表す記述子の出現順位が高い程黒く、香気特性を表す記述子の出現順位が低い程白く表示した。「香気特性を表す記述子の出現順位」とは、各試験物質についての、The Good Scents Company（http://www.thegoodscentscompany.com）のOrganoleptic PropertiesのOdor Descriptionにおける香気特性を表す記述子の列挙順序を意味する。図中、「Weight」は、香気特性を表す記述子の出現順位の逆数の平方根を示し、ただし、香気特性を表す記述子が出現しない場合は０とした。香気特性「onion」の有無で色分けした結果を図６に、香気特性「nutty」の有無で色分けした結果を図７に、香気特性「phenolic」の有無で色分けした結果を図８に示す。図６～８より、立体化学構造類似度空間において、黒い点が狭い範囲に局在すること、すなわち、各香気特性を示す試験物質が狭い範囲に局在することが示された。よって、多重立体配座を考慮した立体化学構造類似度を指標として物質の香気特性を予測できることが明らかとなった。

＜５＞考察
　本実施例より、一見して構造式が似ていない、または最安定立体配座が似ていない香気成分同士であっても、分子表面形状および／または化学特性が共通する立体配座を有する場合、共通の嗅覚受容体を活性化し、共通の香気を呈する可能性が高いと考えられる。これは、香気成分が嗅粘液に溶け込んだ後、単結合部分を中心に回転し、多数の立体配座（多重立体配座）を取り、嗅覚受容体の活性部位をそれぞれ適切な立体配座で活性化するためであると考えられる。すなわち、多くの香気成分は、複数種類の嗅覚受容体を活性化することが報告されているが、或る香気成分が、或る嗅覚受容体の活性部位に結合する時と、別の嗅覚受容体の活性部位に結合する時とで、同一の立体配座を取る必然性は無いと考えられる。香気成分と嗅覚受容体によってコードされる多対多のコンビナトリアルコーディングの理解には、香気成分の多重立体配座の情報が重要であると考えられる。すなわち、本発明によれば、多重立体配座に関する情報を無視する既存の方法ではなし得なかった、物質における香気特性または嗅覚受容体活性化特性の有無の高精度な予測が可能になると期待される。

＜６＞立体化学構造類似度と既存手法の比較および混合手法の検討
　非特許文献１にて実施された官能評価結果のうち、単一物質間の匂いの類似度データを用いて、本実施例の手法と既存手法との比較を行った。併せて、両手法の混合手法の検討も行った。

＜６－１＞官能評価における匂い類似度
　非特許文献１の単一物質間の匂いの類似度データは83件であった。同一物質間の類似度評価結果を除くと77件となった。このうち類似度が55より大きかった9件および類似度が16未満であった8件、計17件のデータを参照した。非特許文献１における匂いの類似度評価はvisual analog scale法により行われ、類似度は0（全く似ていない）～100（非常に似ている）で表された。

＜６－２＞試験物質
　上記＜６－１＞にて絞り込んだ17件のデータで用いられた25種類の化合物を用いた。

＜６－３＞多重立体配座を考慮した立体化学構造の類似度の算出
　上記＜６－２＞の試験物質について、上記＜３－１＞および＜３－２＞と同様の方法で多重配座を考慮した立体化学構造類似度を算出した。

＜６－４＞分子フィンガープリント（MACCS Keys）類似度の算出
　上記＜２－３＞で得たSDFデータからCanvas（Schroedinger社）を用いMACCS Keys（155 bits）を生成した。試験物質間のMACCS Keysのタニモト類似度を算出し、分子フィンガープリント類似度とした。

＜６－５＞立体化学構造類似度と分子フィンガープリント類似度の混合
　上記＜６－３＞の立体化学構造類似度は0～2のレンジで、上記＜６－４＞の分子フィンガープリント類似度は0～1のレンジで、それぞれ算出された。そこで、立体化学構造類似度を1/2倍することで、両手法により算出された類似度のレンジを揃えた。両手法で算出された類似度を100:0、90:10、80:20、70:30、60:40、50:50、40:60、30:70、20:80、10:90、または0:100の比率で混合した加重平均を算出した。

＜６－６＞立体化学構造類似度と分子フィンガープリント類似度および混合手法の比較
　上記＜６－１＞で参照した匂いの類似度をy軸に、上記＜６－５＞で算出した立体化学構造類似度と分子フィンガープリント類似度の加重平均をx軸にプロットした散布図を図９に、各混合比率における匂いの類似度と加重平均の相関係数を図１０に、それぞれ示す。図中、「ROCS」は立体化学構造類似度を、「MACCS」は分子フィンガープリント類似度を、それぞれ示す。各混合比率における相関係数の比較から、立体化学構造類似度と分子フィンガープリント類似度を80:20の比率で混合した手法（ROCS Ratio = 80）が、最も官能と相関することが示された（図１０）。また、100:0および0:100の混合比率における相関係数の比較から、立体化学構造類似度の方が分子フィンガープリント類似度よりも官能との相関が高いことが示された（図１０）。

＜実施例Ｂ＞
　以下、本発明の第２の態様に係る非限定的な実施例を参照して、本発明をさらに具体的に説明する。なお、以下の実施例において使用する物質は「試験物質」と表記するが、それらの物質は本発明の予測モデル製造方法および本発明の予測方法においては対照物質として使用できる。

＜１＞ヒト嗅覚受容体発現細胞の作製
＜１－１＞ヒト嗅覚受容体の発現ベクターの作製
　実施例Ａの＜１－１＞と同一の手順で、ヒト嗅覚受容体の発現ベクター352種を得た。

＜１－２＞嗅覚受容体発現細胞の作製
　実施例Ａの＜１－２＞と同一の手順で、嗅覚受容体352種をそれぞれ発現するHEK293T細胞の培養物352種を得た。

＜２＞ヒト嗅覚受容体活性データベースの作製
＜２－１＞ルシフェラーゼアッセイ
　試験物質としてThe Good Scents Company（http://www.thegoodscentscompany.com/）に記載の物質から1097種の物質を選択したこと以外は、実施例Ａの＜２－１＞と同一の手順で、ルシフェラーゼアッセイを実施した。

＜２－２＞嗅覚受容体活性の算出
　実施例Ａの＜２－２＞と同一の手順で、嗅覚受容体活性を算出した。

＜２－３＞香気特性情報
　試験物質の香気特性情報としては、The Good Scents Company（http://www.thegoodscentscompany.com）のOrganoleptic PropertiesのOdor Descriptionに記載されている記述子を引用した。

＜３＞対象とする香気特性に特徴的な嗅覚受容体活性パターンの同定
　上記＜２－３＞で得た香気特性を表す記述子の有無をフラグ化（有り：1、無し：0）したものを目的変数、上記＜２－２＞で算出した嗅覚受容体活性を説明変数として、CART（L.Breiman, J.H.Friedman, R.A.Olshen and C.J.Stone, "Classification and Regression Trees", (Chapman and Hall, CRC, 1984)）により樹形モデルを構築した。

　樹形モデルは、目的変数に関して、最も良くデータを分けられる分岐条件を説明変数から順次探索していくアルゴリズムである。分析の結果は「もしAであればB」のような簡潔なルールを返し、そのルールを木構造で図示することができるため、結果の解釈がしやすいという特徴がある。分割の基準とする統計量（どれだけ「綺麗に」データが分割されているかを客観的に表す指標）にはジニ不純度を用いた。樹形モデルのノードtに対し、ノードt内のサンプル数がN_t個、ノードt内のカテゴリー数がc個、ノードt内でカテゴリーiに属するサンプル数がN_i個とすると、ノードtにおけるジニ不純度I(t)は以下の式で表わされる。

　この時、特徴量fを基準として親ノードD_pを2つの子ノードD_leftおよびD_rightに分割することで得られる情報利得IG(Dp, f)は以下の式で表わされる。ただしN_p、N_left、N_rightはそれぞれノードD_p、D_left、D_rightに含まれるサンプル数とする。

　この情報利得IG(Dp, f)が最大となる特徴量fをノードD_pにおける分岐条件として採択し、一定以上の情報利得が得られなくなるまで、順次この過程を繰り返す。

＜３－１＞香気特性「焦げ」
　The Good Scents CompanyのOrganoleptic PropertiesのOdor Descriptionに記載されている記述子にburnt又はroastedを持つ化合物をフラグ化し樹形モデルを構築することで、香気特性「焦げ」を持つ化合物に特徴的な嗅覚受容体活性パターンを同定した（図１１）。樹形モデルの結果の読み方は以下の通りである（以降の実験についても同じ）。一番下に表示されている楕円をリーフ、それ以外の楕円をノードと呼ぶ。楕円の上の[ ]内の数字はノード及びリーフの識別番号である。楕円内の上下2つの数字のうち、下側は解析の対象とした全化合物数に対するそのノード又はリーフに含まれる化合物数の割合を表す。上側はそのノード又はリーフに含まれる化合物の目的変数の平均値を表す。本解析では香気特性に「焦げ」（burnt又はroastedの記述子）を持つ化合物に1、そうでない化合物に0を与えたので、図１１における目的変数の平均値は香気特性に「焦げ」を持つ化合物の割合を表す。各ノードには楕円の下に分岐条件が示されている。条件を満たす化合物は左下のノード又はリーフへ、満たさない化合物は右下のノード又はリーフへ分類される。各化合物はリーフに到達するまで条件分岐を繰り返す。同定された主な嗅覚受容体活性パターンは、「OR5K1活性が4.10以上、且つOR6V1活性が0.10以上、且つOR1G1活性が0.37未満」（識別番号７）であった。すなわち、識別番号７のリーフに分類される物質は、香気特性「焦げ」を有する可能性が高いと予測できる。

＜３－２＞香気特性「甘い」
　The Good Scents CompanyのOrganoleptic PropertiesのOdor Descriptionに記載されている記述子にsweetを持つ化合物をフラグ化し樹形モデルを構築することで、香気特性「甘い」を持つ化合物に特徴的な嗅覚受容体活性パターンを同定した（図１２）。同定された主な嗅覚受容体活性パターンは、「OR8B3活性が2.50以上、且つOR5C1活性が-0.61以上」（識別番号１５）、「OR8B3活性が2.50未満、且つOR1D2活性が1.40以上、且つOR52A4活性が-0.43未満」（識別番号１２）、「OR8B3活性が2.50未満、且つOR1D2活性が1.40以上、且つOR52A4活性が-0.43以上、且つOR1E1活性が-0.13未満」（識別番号１１）、及び「OR8B3活性が2.50未満、且つOR1D2活性が1.40未満、且つOR4S2活性が0.92未満、且つOR2L8活性が2.90以上」（識別番号７）であった。すなわち、識別番号１５、１２、１または７のリーフに分類される物質は、香気特性「甘い」を有する可能性が高いと予測できる。

＜３－３＞香気特性「ナッツ」
　The Good Scents CompanyのOrganoleptic PropertiesのOdor Descriptionに記載されている記述子にnuttyを持つ化合物をフラグ化し樹形モデルを構築することで、香気特性「ナッツ」を持つ化合物に特徴的な嗅覚受容体活性パターンを同定した（図１３）。同定された主な嗅覚受容体活性パターンは、「OR5K1活性が3.80以上、且つOR1G1活性が0.13未満」（識別番号７）、及び「OR5K1活性が3.80以上、且つOR1G1活性が0.13以上、且つOR2AK2活性が0.82以上」（識別番号６）であった。すなわち、識別番号７または６のリーフに分類される物質は、香気特性「ナッツ」を有する可能性が高いと予測できる。

＜４＞対象とする分子構造に特徴的な嗅覚受容体活性パターンの同定
　対象とする分子構造の有無をフラグ化（有り：1、無し：0）したものを目的変数、嗅覚受容体活性を説明変数として、上記＜３＞に記載の手順でCARTにより樹形モデルを構築した。

＜４－１＞ピラジン骨格
　ピラジン骨格を持つ化合物をフラグ化し樹形モデルを構築することで、ピラジン骨格を持つ化合物に特徴的な嗅覚受容体活性パターンを同定した（図１４）。同定された主な嗅覚受容体活性パターンは、「OR5K1活性が3.90以上、且つOR13G1活性が-0.21以上、且つOR5AR1活性が0.51未満」（識別番号１３）、「OR5K1活性が3.90以上、且つOR13G1活性が-0.21以上、且つOR5AR1活性が0.51以上、且つOR2W1活性が1.00未満」（識別番号１２）、及び「OR5K1活性が2.30以上3.90未満、且つOR8B3活性が-1.2未満」（識別番号６）であった。すなわち、識別番号１３、１２、または６のリーフに分類される物質は、ピラジン骨格を有する可能性が高いと予測できる。

＜４－２＞アルデヒド基
　アルデヒド基を持つ化合物をフラグ化し樹形モデルを構築することで、アルデヒド基を持つ化合物に特徴的な嗅覚受容体活性パターンを同定した（図１５）。同定された主な嗅覚受容体活性パターンは、「OR2J2活性が2.10以上、且つOR2W1活性が0.83未満、且つOR8B3活性が0.40以上」（識別番号１３）、「OR2J2活性が2.10以上、且つOR2W1活性が0.83以上、且つOR6B1活性が-1.60未満、且つOR2Y1活性が-0.25以上」（識別番号１０）、及び「OR2J2活性が2.10以上、且つOR2W1活性が0.83以上、且つOR6B1活性が-1.60以上、且つOR1A1活性が-0.15未満」（識別番号７）であった。すなわち、識別番号１３、１０、または７のリーフに分類される物質は、アルデヒド基を有する可能性が高いと予測できる。

＜４－３＞エステル結合
　エステル結合を持つ化合物をフラグ化し樹形モデルを構築することで、エステル結合を持つ化合物に特徴的な嗅覚受容体活性パターンを同定した（図１６）。同定された主な嗅覚受容体活性パターンは、「OR2L8活性が2.90以上、且つOR5K1活性が2.60未満、且つOR4S2活性が0.80未満」（識別番号１３）、及び「OR2L8活性が2.90未満、且つOR5P3活性が0.62未満、且つOR1D2活性が0.74以上、且つOR1G1活性が0.24未満」（識別番号８）であった。すなわち、識別番号１３または８のリーフに分類される物質は、エステル結合を有する可能性が高いと予測できる。

＜実施例Ｃ＞
　以下、本発明の第３の態様に係る非限定的な実施例を参照して、本発明をさらに具体的に説明する。なお、以下の実施例において使用する物質は「試験物質」と表記するが、それらの物質は本発明の予測モデル製造方法および本発明の予測方法においては対照物質として使用できる。

＜２＞ヒト嗅覚受容体活性データベースの作製
＜２－１＞ルシフェラーゼアッセイ
　試験物質としてAtlas of odor character profiles（Dravnieks, A., ASTM data series publication, DS 61, PCN 05-061000-36, 1985）に記載の全144種の物質を選択したこと以外は、実施例Ａの＜２－１＞と同一の手順で、ルシフェラーゼアッセイを実施した。

＜２－３＞香気特性情報
　試験物質の香気特性情報としては、Atlas of odor character profiles（Dravnieks, A., ASTM data series publication, DS 61, PCN 05-061000-36, 1985）に記載のpercentage of applicability（P.A.値）を引用した。

＜３＞嗅覚受容体活性化データに基づく香気特性への適合度の予測
　試験物質と嗅覚受容体の各組み合わせについて、上記＜２－３＞で得たP.A.値と上記＜２－２＞で算出した嗅覚受容体活性との相関係数を算出した。相関係数の絶対値が閾値（0.2）を超えた嗅覚受容体活性を説明変数、P.A.値を目的変数として、機械学習により線形回帰モデルを構築した（式１～３）。式中、嗅覚受容体名（例えばOR1F1）には、当該嗅覚受容体についての嗅覚受容体活性が代入される。

＜３－１＞定量的な香気特性「STARWBERRY」
　「STARWBERRY」のP.A.値と嗅覚受容体活性の相関係数の絶対値が0.2を超えた嗅覚受容体数は61個であった。これら61個の嗅覚受容体についての嗅覚受容体活性を用いて、「STARWBERRY」のP.A.値を予測する線形回帰モデルを構築した（式１）。構築した回帰モデルのP.A.値予測値と化合物144種のP.A.値実測値との相関係数は0.932（p < 0.001）であった（図１７）。

「STARWBERRY」の予測P.A.値= 0.305 + 1.560OR1F1 - 1.428OR1I1 + 0.982OR1J1 + 0.738OR2B6 + 0.415OR2B11 - 0.194OR2C3 - 1.092OR2G6 + 0.733OR2K2 + 1.313OR2L8 - 0.981OR2T1 + 0.018OR2T6 + 0.660OR2W3 - 0.651OR4A47 + 1.546OR4B1 + 0.131OR4C13 + 1.377OR4D10 - 0.348OR4F15 + 0.458OR4K13 - 0.843OR4P4 - 0.758OR4Q3 + 1.342OR4X1 + 0.085OR5AK2 + 0.537OR5D14 - 2.108OR5H14 + 1.377OR5I1 + 0.265OR5J2 - 0.072OR5M3 - 0.332OR5M8 - 0.019OR6C2 - 0.695OR6C66P + 0.142OR6K2 - 1.751OR6T1 + 0.146OR8D4 + 3.164OR8K1 - 2.203OR8U1 - 0.562OR10A4 + 0.921OR10A7 - 1.501OR10D3 + 2.699OR10H2 - 1.454OR10J5 + 0.733OR10T2 - 2.356OR12D3 - 1.530OR13F1 - 1.186OR13G1 - 3.013OR13H1 + 0.075OR13J1 - 0.109OR14K1 + 0.587OR51B2 - 1.775OR51B4 - 0.116OR51M1 + 0.968OR51T1 + 1.253OR51V1 - 0.327OR52A4 - 1.189OR52B2 + 1.613OR52D1 - 1.592OR52H1 + 1.186OR52J3 + 0.560OR52N5 + 0.611OR52P2P - 2.133OR52R1 + 1.951OR56A5　・・・（式１）

＜３－２＞定量的な香気特性「ANISE (LICORICE)」
　「ANISE (LICORICE)」のP.A.値と嗅覚受容体活性の相関係数の絶対値が0.2を超えた嗅覚受容体数は27個であった。これら27個の嗅覚受容体についての嗅覚受容体活性を用いて、「ANISE (LICORICE)」のP.A.値を予測する線形回帰モデルを構築した（式２）。構築した回帰モデルのP.A.値予測値と化合物144種のP.A.値実測値との相関係数は0.823（p < 0.001）であった（図１８）。

「ANISE (LICORICE)」の予測P.A.値 = 3.334 - 1.835OR1J2 - 2.644OR2A25 - 1.425OR2G2 - 0.561OR2L2 - 1.147OR2T11 + 5.260OR3A3 + 3.676OR4C13 + 0.353OR4D2 - 1.731OR4P4 + 0.273OR4X1 + 0.049OR5AK2 - 0.645OR6C6 + 1.418OR6T1 - 0.144OR7D4 - 2.990OR8G5 + 0.613OR9Q2 - 0.169OR10A3 - 0.535OR10J3 + 5.271OR13C3 + 1.047OR13D1 - 2.075OR51A4 - 1.535OR51B6 + 0.880OR51G1 + 0.551OR51H1 - 0.467OR51M1 - 0.839OR52A4 - 2.291OR52N1　・・・（式２）

＜３－３＞定量的な香気特性「NEW RUBBER」
　「NEW RUBBER」のP.A.値と嗅覚受容体活性の相関係数の絶対値が0.2を超えた嗅覚受容体数は56個であった。これら56個の嗅覚受容体についての嗅覚受容体活性を用いて、「NEW RUBBER」のP.A.値を予測する線形回帰モデルを構築した（式３）。構築した回帰モデルのP.A.値予測値と化合物144種のP.A.値実測値との相関係数は0.927（p < 0.001）であった（図１９）。

「NEW RUBBER」の予測P.A.値= 1.442 + 0.769OR1G1 + 0.148OR1J1 - 0.718OR1L3 + 0.350OR2A2 - 0.289OR2AP1 + 0.184OR2D2 + 0.041OR2L8 + 0.211OR2M2 - 0.060OR2M4 - 0.077OR4A16 + 0.470OR4C6 - 0.712OR4C12 - 1.136OR4D9 + 0.786OR4E2 + 0.019OR4G11P + 0.248OR4H12P - 0.262OR4N2 + 0.512OR4S1 + 1.233OR5AU1 - 0.331OR5B2 - 0.117OR5C1 - 0.869OR5L2 - 0.823OR5T2 + 0.126OR6B2 - 0.131OR6C70 + 0.463OR6K3 - 0.465OR6M1 + 0.004OR6Q1 + 0.108OR7A17 - 0.210OR8B3 - 0.471OR8G2 - 0.094OR8H3 - 0.978OR8K1 - 0.378OR9K2 + 0.658OR9Q2 - 1.111OR10A5 + 0.319OR10G3 + 0.183OR10G4 + 0.271OR10J3 - 0.038OR10K1 + 0.240OR10P1 + 0.584OR13D1 + 0.164OR14C36 - 0.772OR14I1 + 0.872OR51B2 + 0.179OR51H1 + 0.185OR51I2 - 0.936OR51L1 + 0.651OR51Q1 + 0.220OR52A5 - 0.001OR52B4 - 0.374OR52N2 + 0.344OR52W1 + 0.920OR56A3 - 0.786OR56A5 - 0.056OR56B1　・・・（式３）

　本発明によれば、一態様において、物質における香気特性または嗅覚受容体活性化特性の有無を予測することができる。また、本発明によれば、一態様において、物質における香気特性や分子構造等の構成要素の有無を予測することができる。また、本発明によれば、一態様において、物質における香気特性への適合度を予測することができる。

Claims

　試験物質について目的の特性の有無を予測する方法であって、
　試験物質と対照物質間での立体化学構造の最大類似度に基づいて該試験物質について前記目的の特性の有無を予測する工程
　を含み、
　前記特性が、香気特性または嗅覚受容体活性化特性である、方法。
　前記対照物質が、前記目的の特性についての陽性対照を含む、請求項１に記載の方法。
　前記対照物質が、１種の物質である、請求項１または２に記載の方法。
　前記対照物質が、２種またはそれ以上の物質の組み合わせである、請求項１または２に記載の方法。
　前記対照物質が、前記目的の特性についての陽性対照を含み、
　前記試験物質と前記陽性対照間での立体化学構造の最大類似度が高い場合に、該試験物質が前記目的の特性を有すると予測する、請求項１～４のいずれか１項に記載の方法。
　前記予測が、前記試験物質と前記対照物質間での立体化学構造の最大類似度に基づいて該試験物質と該対照物質をクラスタリングする工程を含む、請求項１～５のいずれか１項に記載の方法。
　前記対照物質が、前記目的の特性についての陽性対照を含み、
　前記試験物質が前記陽性対照を含むクラスタにクラスタリングされる場合に、該試験物質が前記目的の特性を有すると予測する、請求項６に記載の方法。
　前記予測の前に、さらに、前記最大類似度を算出する工程を含む、請求項１～７のいずれか１項に記載の方法。
　目的の特性を有する物質をスクリーニングする方法であって、
　請求項１～８のいずれか１項に記載の方法により試験物質について前記目的の特性の有無を予測する工程、および
　前記目的の特性を有すると予測された試験物質を該目的の特性を有する物質として選抜する工程
　を含み、
　前記特性が、香気特性または嗅覚受容体活性化特性である、方法。
　さらに、前記目的の特性を有すると予測された試験物質について該目的の特性の有無を確認する工程を含む、請求項１～９のいずれか１項に記載の方法。
　前記最大類似度が、該最大類似度以外の、前記試験物質と前記対照物質間の構造類似度と組み合わせて前記予測に用いられる、請求項１～１０のいずれか１項に記載の方法。
　目的の特性を有する物質を設計する方法であって、
　設計対象の物質を、該設計対象の物質と対照物質間の立体化学構造の最大類似度に基づいて設計する工程
　を含み、
　前記特性が、香気特性または嗅覚受容体活性化特性である、方法。
　前記対照物質が、前記目的の特性についての陽性対照を含み、
　前記設計が、前記設計対象の物質が前記陽性対照を含むクラスタにクラスタリングされるように実施され、
　前記クラスタリングが、前記設計対象の物質と前記対照物質間での立体化学構造の最大類似度に基づいて該設計対象の物質と該対照物質をクラスタリングする工程を含む、請求項１２に記載の方法。