Învățarea automată creează o paletă de culori pentru mirosuri complexe
Pentru a descrie o culoare specifică, poți consulta roata de culori Pantone pentru a găsi nuanța, saturația și luminozitatea exactă, precum și modul în care se compară cu alte culori. Însă, nu a existat nimic similar pentru mirosurile complexe.
O cercetare coautorizată de oameni de știință de la Monell Chemical Senses Center s-a apropiat de acest obiectiv, creând un mod de utilizare a învățării automate pentru a discrimina între mirosuri și a le corela între ele. O descriere a lucrării a fost publicată pe 4 august în Proceedings of the National Academy of Sciences.
Studiul oferă o metrică validată și un standard pentru compararea mirosurilor, punând bazele unor tehnologii precum olfacția digitală, capacitatea de a digitaliza mirosurile, a declarat coautorul studiului Joel Mainland.
„Ne-am interesat de mult timp de încercarea de a digitaliza mirosurile, pentru a le reprezenta matematic într-un mod similar cu ceea ce am realizat cu vederea culorilor și auzul”, a spus Mainland.
În 2015, IBM a organizat o provocare deschisă DREAM pentru a prezice cum miroase o moleculă de miros pe baza structurii sale chimice. Aceasta a generat multe descoperiri științifice. Totuși, cele mai multe mirosuri întâlnite în viața de zi cu zi sunt amestecuri complexe de zeci sau sute de molecule. „Trebuie să înțelegem cum funcționează amestecurile dacă vrem să digitalizăm ceva”, a adăugat Mainland.
Posibilitatea de a cartografia cantitativ amestecurile de mirosuri are numeroase aplicații, a continuat el. De exemplu, unele condiții precum diabetul și insuficiența hepatică au semnături olfactive, mirosuri distincte care ar putea fi utile în diagnosticare. Cartografierea mirosurilor ar putea ajuta și la cuantificarea aromelor alimentelor sau la înregistrarea unor arome specifice, precum cele ale detergentelor de rufe de marcă. „Companiile care produc mirosuri fac multă încercare și eroare, așa că ideea este că, dacă ai putea să fixezi acea parte, unde este mai matematic, ar putea face produsele mai eficiente”, a spus el.
Mainland și colegii săi au lansat propria provocare DREAM, invitând echipe internaționale să folosească învățarea automată pentru a dezvolta modele care să prezică gradul de similaritate între două amestecuri de mirosuri. În primul rând, au standardizat și compilat șase seturi de date referitoare la măsurările similarității mirosurilor din trei studii diferite, creând un nou set de date, care cuprinde 168 de molecule unice, 731 de amestecuri unice și 507 măsurări ale perechilor de amestecuri. Distanțele perechilor de amestecuri au fost corelate pe o scală perceptuală continuă de la 0 (indistinct) la 1 (cel mai distinct).
Apoi, pe parcursul unei perioade de trei luni, 26 de echipe au concurat pentru a prezice cât de asemănătoare vor fi mirosurile pereche pe un set de testare ascuns de 46 de perechi de amestecuri. Competiția a dus la un rezultat de egalitate în patru părți. Mainland și colegii săi au construit un model de ansamblu prin medierea predicțiilor celor patru echipe câștigătoare cu cele ale altor două modele cu performanțe ridicate. După provocare, au validat modelul pe un set independent de 50 de perechi de amestecuri olfactive.
Modelul final a fost considerat a fi destul de precis. Acesta a atins o medie RMSE (eroare pătratică medie) de 0,08, cu 0 fiind un scor perfect, ceea ce înseamnă că modelul a avut o bună acuratețe în prezicerea similarităților mirosurilor. De asemenea, a obținut o corelație Pearson de 0,57 pe setul de testare, ceea ce indică o capacitate pozitivă moderată spre puternică de a prezice caracteristicile setului de date.
Deși mulți dintre cei din domeniul științei senzoriale credeau că utilizarea științei pentru a prezice similaritatea între amestecuri va fi mult mai dificilă decât în cazul moleculelor unice, acest lucru nu s-a dovedit a fi cazul, a spus Mainland: „Această lucrare arată că, dacă ești deja capabil să prezici cum miroase un component singular, atunci poți face o predicție destul de bună despre amestecuri pe baza acestuia.”
Interesant este că modelele de învățare automată erau mai predispuse să folosească un limbaj semantic precum „fructat și dulce” pentru a descrie amestecurile de mirosuri, în loc de termeni chimici precum ester sau greutăți moleculare. „Lucrul cu aceste etichete semantice este un salt uriaș în a putea face predicții despre cum miros amestecurile”, a afirmat el. Atunci când un evaluator al jurnalului le-a cerut să elimine caracteristicile semantice pentru a vedea cum au performat modelele fără aceste informații, a fost mult mai dificil să facă predicții.
În prezent, cercetătorii redactează rezultatele unei a treia provocări DREAM Olfaction pentru a le trimite spre publicare într-un jurnal. În acel exercițiu, echipele au primit impresiile oamenilor despre cum miroseau componentele individuale ale amestecurilor și au fost rugate să folosească aceste informații pentru a prezice cum va mirosi amestecul complet.
„Ceea ce observăm este că, din nou, dacă știi cum miros componentele, știi cum miros amestecurile – este practic doar o medie a componentelor, ceea ce cred că este foarte surprinzător pentru mulți oameni din domeniu”, a spus el.
Coautori ai studiului actual includ Xuebo Song, Tiffany Yang și Robert Pellegrino de la Monell Center. Alți autori colaboratori provin de la State University of Londrina din Brazilia, Texas A&M University, Yale University, Boston University, University of Michigan, KU Leuven din Belgia, Université Côte d’Azur din Franța, University of Oxford din Regatul Unit, KTH Royal Institute of Technology din Suedia, Cornell University, Cold Spring Harbor Laboratory, Sage Bionetworks, University of the Basque Country din Spania, Basque Foundation for Science din Spania, University of California at Davis, University of Toronto din Canada, The Rockefeller University, Weizmann Institute of Science din Israel, University of Pennsylvania și IBM Research.
Lucrarea a fost susținută în parte prin granturi de la National Institutes of Health (R01 DC017757), NOMIS Foundation, Pershing Square Philanthropies, Stavros Niarchos Foundation, Rothberg Catalyzer, Paul Graham Foundation, Schmidt Futures, ERC SynGrant 101118977 D2Smell, William R. Miller Fellowship, French National Research Agency (ANR-19-CE07-0044), Fondation Roudnitska și Initiative of Excellence Université Côte d’Azur (ANR-15-IDEX-01). Alți finanțatori includ Howard Hughes Medical Institute, College of LSA de la University of Michigan și guvernul flamand.
Mainland este membru al consiliului consultativ științific al Osmo Labs, PBC, și primește compensație pentru aceste activități.
