美国加州大学圣地亚哥分校的Dasgupta等人发现，虽然果蝇嗅觉相关算法与计算机算法完全不同，但引入其策略或使改良检索系统成为可能。

在日常生活中，如果在视频网站上观看了歌手A的视频，该网站就可能会推荐与其相似的歌手B的视频。这些视频网站根据歌手是谁、音乐种类是什么、每分钟节拍数（beats per minute，BPM）是多少、使用何种乐器等情报，给每个视频贴上“主题标签”，通过比较标签，推荐关联性高的其他视频。这种策略被称为“相似性检索”（similarity search）。

果蝇也可进行气味相关的“相似性检索”，通过闻果实A的气味，判定其为食物，再闻到相似气味的果实B，也可将其理解为食物。果蝇的标签形成涉及三个步骤：最初，50种神经元放电；之后，之后气味情报向脑内2000个神经元扩散；最后，放电频率前5%的神经元的气味情报被存储为“标签”。与不同的气味相比，类似的气味（如甲醇和乙醇）会被分配更类似的标签。

研究人员在三个数据集中比较了果蝇算法和传统算法——局部敏感哈希（locality-sensitive hashing）算法，结果显示，果蝇算法均优于传统算法。例如，在SIFT数据集中，果蝇算法的平均精度均值（mean average precision，MAP）为32.4%，约为传统算法的两倍；在MNIST数据集中，果蝇算法的MAP为44.8%，约为传统算法的三倍。

相似性检索（如在数据库中寻找是否有相似的图片，或在互联网上搜索是否有类似的文章）是大规模检索系统面临的基本计算问题。Dasgupta等人从神经科学方面着手，提供了一种全新的算法，或有助于解决这一基本计算问题。总之，果蝇识别气味间相似性的方式为检索策略提供了一种新方法。（作者：黄希瑶)

参考文献：Science 2017;358:793-796