Głównym sednem neuronauki jest nauczenie się, jak nasze zmysły przekładają światło na wzrok, dźwięk na słuch, jedzenie na smak i teksturę na dotyk. Węch to miejsce, w którym te relacje zmysłowe stają się bardziej złożone i kłopotliwe.
Aby odpowiedzieć na to pytanie, zespół badawczy kierowany wspólnie przez Monell Chemical Senses Center i start-up Osmo, firmę z siedzibą w Cambridge w stanie Massachusetts, powstał na podstawie badań nad uczeniem maszynowym przeprowadzonych w Google Research, Google DeepMind (wcześniej znanym jako Google Brain ) badają, w jaki sposób substancje chemiczne unoszące się w powietrzu wpływają na percepcję zapachu w mózgu. W tym celu odkryli, że model uczenia maszynowego osiągnął biegłość na poziomie ludzkim w zakresie opisania słownie zapachu chemikaliów. Wyniki ich badań ukazały się w wydaniu Science z 1 września.
„Model wypełnia odwieczne luki w naukowym rozumieniu zmysłu węchu” – powiedział starszy współautor, dr Joel Mainland, członek Centrum Monell. Ta współpraca przybliża świat do digitalizacji zapachów w celu ich rejestrowania i odtwarzania. Może również zidentyfikować nowe zapachy dla branży perfumeryjnej i smakowej, które mogą nie tylko zmniejszyć zależność od roślin zagrożonych z naturalnego źródła, ale także zidentyfikować nowe zapachy funkcjonalne do zastosowań, takich jak odstraszanie komarów lub maskowanie nieprzyjemnych zapachów.
„Jak współpracują nasze mózgi i nosy” Człowiek ma około 400 funkcjonalnych receptorów węchowych. Są to białka znajdujące się na zakończeniach nerwów węchowych, które łączą się z cząsteczkami unoszącymi się w powietrzu w celu przekazania sygnału elektrycznego do opuszki węchowej. Liczba receptorów węchowych jest znacznie większa niż ta, której używamy do widzenia kolorów – cztery – a nawet smaku – około 40.
„Jednak w badaniach węchu pytanie, jakie właściwości fizyczne sprawiają, że cząsteczka unosząca się w powietrzu pachnie tak, jak w mózgu, pozostaje zagadką” – stwierdził Mainland. „Ale jeśli komputer będzie w stanie rozpoznać związek między kształtem cząsteczek a tym, jak ostatecznie postrzegamy ich zapachy, naukowcy mogliby wykorzystać tę wiedzę, aby lepiej zrozumieć, w jaki sposób współpracują nasze mózgi i nosy”.
Aby rozwiązać ten problem, dyrektor generalny Osmo, dr Alex Wiltschko i jego zespół stworzyli model, który nauczył się, jak dopasowywać prozaiczne opisy zapachu cząsteczki do struktury molekularnej zapachu. Powstała mapa tych interakcji to zasadniczo grupy podobnie pachnących zapachów, takich jak słodycz kwiatowa i słodycz cukierkowa. „Komputery zdołały zdigitalizować wzrok i słuch, ale nie węch – nasz najgłębszy i najstarszy zmysł” – powiedział Wiltschko. „To badanie proponuje i potwierdza nowatorską, opartą na danych mapę ludzkiego węchu, dopasowującą strukturę chemiczną do percepcji zapachu”.
Jaki jest zapach czosnku lub ozonu?
Model został przeszkolony przy użyciu branżowego zbioru danych, który obejmował struktury molekularne i właściwości zapachowe 5000 znanych substancji zapachowych. Dane wejściowe to kształt cząsteczki, a dane wyjściowe to przewidywanie, które słowa zapachowe najlepiej opisują jej zapach.
Aby upewnić się, że model jest skuteczny, badacze z Monell przeprowadzili procedurę ślepej weryfikacji, podczas której panel przeszkolonych uczestników badania opisał nowe cząsteczki, a następnie porównał swoje odpowiedzi z opisem modelu. Każdy z 15 panelistów otrzymał 400 substancji zapachowych i został przeszkolony w zakresie używania zestawu 55 słów – od mięty po stęchły – do opisania każdej cząsteczki.
„Nasze zaufanie do tego modelu może być tylko tak duże, jak nasze zaufanie do danych, które wykorzystaliśmy do jego przetestowania” – powiedziała współautorka dr Emily Mayhew, która przeprowadziła te badania w czasie stażu podoktorskiego Monella. Obecnie jest adiunktem na Uniwersytecie Stanowym Michigan. Brian K. Lee, doktor Google Research, Brain Team, Cambridge, Massachusetts, jest także współpierwszym autorem.
Zespół Monell dostarczył panelistom zaprojektowane w laboratorium zestawy referencyjne zapachów, aby nauczyć ich rozpoznawania zapachów i wybierania najodpowiedniejszych słów opisujących ich postrzeganie. Aby uniknąć pułapek wynikających z poprzednich badań, takich jak łączenie przez panelistów pojęć „stęchły”, jak mokra piwnica i „piżmowy”, jak perfumy, sesje szkoleniowe i zaprojektowane w laboratorium zestawy referencyjne dotyczące zapachów nauczyły każdego panelisty jakości zapachu związanego z każdym terminem opisowym.
Panelistów poproszono o wybranie, który z 55 deskryptorów ma zastosowanie, oraz o ocenę, w jakim stopniu termin ten najlepiej odnosi się do zapachu, w skali od 1 do 5 dla każdego z 400 zapachów. Na przykład jeden z panelistów ocenił zapach wcześniej niescharakteryzowanego środka zapachowego 2,3-dihydrobenzofurano-5-karboksyaldehydu jako bardzo pudrowy (5) i nieco słodki (3).
Kontrola jakości jest również ważna przy ostatecznym porównaniu ludzkich snifferów z modelem komputerowym. I tu wkracza współautorka dr Jane Parker, profesor chemii smaków na Uniwersytecie w Reading w Wielkiej Brytanii. „Przez wiele lat zajmuję się zapachami, opisując aromaty głównie opierając się na własnym nosie”. Jej zespół zweryfikował czystość próbek użytych do sprawdzenia przewidywań modelu. Po pierwsze, chromatografia gazowa umożliwiła oddzielenie każdego związku w próbce, w tym wszelkich zanieczyszczeń. Następnie Parker i jej zespół powąchali każdy oddzielony związek, aby określić, czy jakiekolwiek zanieczyszczenia nie przytłaczają znanego zapachu cząsteczki docelowej.
„Wśród 50 przetestowanych próbek znaleźliśmy kilka próbek ze znacznymi zanieczyszczeniami” – powiedział Parker. W jednym przypadku zanieczyszczenie pochodziło ze śladów odczynnika użytego w syntezie cząsteczki docelowej i nadało próbce charakterystyczny maślany zapach, który przeważał nad danym zapachem. „W tym przypadku byliśmy w stanie wyjaśnić, dlaczego panel opisał zapach inaczej niż przewidywała sztuczna inteligencja”.
Lepszy niż człowiek?
Porównując wyniki modelu z wynikami poszczególnych panelistów, model pozwolił lepiej przewidzieć średnią ocenę zapachu w grupie niż którykolwiek pojedynczy panelista w badaniu, pomijając zanieczyszczenia. W szczególności model działał lepiej niż przeciętny panelista w przypadku 53% testowanych cząsteczek.
„Jednak najbardziej zaskakującym wynikiem jest to, że model poradził sobie z zadaniami węchowymi, do wykonywania których nie był szkolony” – stwierdził Mainland. „Otwarcie oczu polegało na tym, że nigdy nie trenowaliśmy go w zakresie siły zapachu, ale mimo to potrafił dokonywać dokładnych przewidywań”.
Model był w stanie zidentyfikować dziesiątki par strukturalnie odmiennych cząsteczek, które miały wbrew intuicji podobne zapachy i scharakteryzować szeroką gamę właściwości zapachowych, takich jak siła zapachu, dla 500 000 potencjalnych cząsteczek zapachowych. „Mamy nadzieję, że ta mapa będzie przydatna dla badaczy chemii, neuronauki węchowej i psychofizyki jako nowe narzędzie do badania natury wrażeń węchowych” – powiedział Mainland.
Co dalej? Zespół przypuszcza, że mapę modelową można zorganizować w oparciu o metabolizm, co oznaczałoby zasadniczą zmianę w sposobie myślenia naukowców o zapachach. Innymi słowy, zapachy, które są blisko siebie na mapie lub są do siebie podobne percepcyjnie, również są z większym prawdopodobieństwem powiązane metabolicznie. Naukowcy zajmujący się zmysłami organizują obecnie cząsteczki w sposób, w jaki zrobiłby to chemik, na przykład pytając, czy ma on pierścień esterowy czy aromatyczny?
„Nasze mózgi nie organizują w ten sposób zapachów” – stwierdził Mainland. „Zamiast tego mapa sugeruje, że nasze mózgi mogą porządkować zapachy w zależności od składników odżywczych, z których pochodzą”.