气味量度可以创建嗅觉

　　a，b，保理气味强度。A，在实验1中，可以使用总体MC型强度来确定相似性，n = 23个强度等级的参与者，22名参与者用于相似性等级。相关系数r = -0.61，p <6×10-11，n = 95（r = -0.57，p <6×10-11，n = 91，用于比较，不包括相同的对）。为了检查强度相似性和角度距离相似性是否解释了重叠信息，我们构建了一个线性模型，考虑了这两个因素。我们发现，该两因素模型可以比单独的每个模型来解释更大的可变性（调整后的R2 = 0.37与调整后的r2 = 0.32，强度差为强度差，并且对角度距离进行了调整后的R2 = 0.16）。在该模型中，这两个因素都很重要（均P <0.005）。换句话说，尽管强度差异可以解释结果的差异，但角度距离也是一个重要因素，并且可以解释独立的方差。b，实验2的相同分析。在这里，尽管与MC型相似性显着相关（n = 30的强度等级参与者和相似性等级的29名参与者，相关系数r = -0.22，p = -0.22，p = 0.03，n = 95，n = 95，n = 95）与这些相关性相关性，并且与这些相关性的解释是，与这些相关性的相关性相关性是显着的。完全丢失（r = 0.04，p = 0.68，n = 91，用于比较相同的对）。因此，实验2在很大程度上否定了这一总体关注点。C – I，预测气味强度。C，预测强度模型的估计性能是K折测试集对实际强度和预测强度之间的相关性（补充方法）。使用交叉验证估算的预期方差（k根据每个浓度中使用的分子数（n）的数量变化； k = 8、10、10和5，n = 134、422、346和58分别为10-1、10-3、10-5和10-7）。在小提琴图中，大点是k折的平均值，垂直线是四分位数2-3。所有四个模型的相关性明显大于零，峰值在10-3浓度下（平均r = 0.67）。D – I，我们使用了10-3浓度数据（补充方法）来设计一个强度等级的预测模型，这次不包括实验1和2中使用的分子以避免过度拟合。D，G，该模型对实验1（d）和2（g）中单分子强度产生的强度预测。X轴是实际强度（n = 23个参与者的平均值，实验1重复2个； n = 29个参与者，每个实验2重复3），Y轴预测强度为强度。我们显示黑色和红色的相关性与其他面板兼容，尽管不包括零强度气味。d，相关系数r = 0.36，p <0.02，n = 44个单分子。G，相关系数r = 0.68，p <7×10-7，n = 43个单分子。E，H，使用强度因子估计角距离。强度因子是根据图1E中的预测强度（d，g）计算的。这些预测的因素随后被用于对MC型剂进行建模。最后，与通过额定强度获得的强度相比，根据预测的强度（如主文本中使用），根据预测的强度计算了成对的MC级别剂之间的角度距离。e，相关系数r = 0.53，p <3×10-8，n = 95（r = 0.29，p <6×10-3，n = 91，用于比较不包括相同的对）。h，相关系数r = 0.73，p <2×10-17，n = 95（r = 0.56，p <7×10-9，n = 91，用于比较不包括相同的对）。f，i，使用预测强度计算得出的角度距离（类似于图1F，2C）的相似性的预测。在散点图中，每个点都是MC型剂的成对比较。Y轴显示了参与者评级的实际相似性（对于实验1，n = 22，2重复；对于实验2，n = 29，2重复） X轴根据预测的强度显示其角度距离。红色回归线包括对相同的MC型剂（零角距离）的比较，黑色回归线与去除这些比较。F，相关系数r = -0.50，p <3×10-7，n = 95（r = -0.29，p <6×10-3，n = 91，用于比较，不包括相同的对）。i，相关系数r = 0.74，p <9×10-19，n = 95（r = 0.54，p <5×10-8，n = 91，用于比较不包括相同的对）。f，i，以前的结果和当前结果之间的相关性没有显着差异。F，实验1，使用额定分子强度和预测的单分子强度（分别为r = -0.41和r = -0.29）的结果之间的差异没有显着差异（z = 0.91，p = 0.36，两尾，两尾，n = 91比较）。i，实验2，相同的步骤，r = -0.69和r = -0.54之间的差异没有显着差异（z = -1.62，p = 0.011，两尾，n = 91比较）。我们总结说，这是未来的有希望的方向，但超出了本手稿的范围。

本文来自作者[lejiaoyi]投稿，不代表言希号立场，如若转载，请注明出处：https://lejiaoyi.cn/zlan/202506-1035.html