Komplexe Gerüche lassen sich mit maschinellem Lernen leichter abbilden als erwartet

Forscher haben Fortschritte bei der Kartierung komplexer Gerüche mittels maschinellem Lernen erzielt, was zeigt, dass diese Gerüche leichter zu quantifizieren sind als bisher angenommen. Wissenschaftler des Monell Chemical Senses Center haben zusammen mit Kollegen eine Methode entwickelt, um die Ähnlichkeit zwischen komplexen Geruchgemischen mit bemerkenswerter Genauigkeit vorherzusagen. Ihre Ergebnisse, die in einer Studie veröffentlicht wurden, die in den Proceedings of the National Academy of Sciences veröffentlicht wurde, legen nahe, dass maschinelles Lernen die komplexe Natur des Geruchs effektiv in messbare Daten übersetzen kann und möglicherweise Bereiche von der Medizin bis zur Entwicklung von Verbraucherprodukten revolutionieren kann.

Der Durchbruch erfolgte durch eine gemeinsame Anstrengung einer internationalen Gruppe von Forschern, die an einer von dem Team organisierten DREAM-Herausforderung teilnahmen. Diese Herausforderung zielte darauf ab, die Vorhersagekraft von maschinellen Lernmodellen zu verbessern, um zu bestimmen, wie ähnlich zwei komplexe Duftmischungen sind. Um dies zu erreichen, haben die Forscher Daten aus drei getrennten Studien zusammengestellt und standardisiert, was zu einem umfassenden Datensatz mit 168 einzelnen Molekülen, 731 einzigartigen Duftmischungen und 507 Vergleichen zwischen Mischungspaaren führte.

Jeder Vergleich erhielt einen numerischen Wert auf einer kontinuierlichen Skala von 0 bis 1, der die wahrgenommene Ähnlichkeit zwischen den Gerüchen darstellt, wobei 0 die vollständige Ununterscheidbarkeit und 1 die maximale Unterscheidung darstellt.

Am Ende wurden vier Teams für die beste Leistung gebunden, und die Forscher kombinierten ihre Modelle mit zwei weiteren leistungsstarken Modellen, um ein Ensemble-Modell zu erstellen. Dieses Modell wurde dann gegen einen unabhängigen Satz von 50 Duftgemischpaaren getestet, um seine Wirksamkeit zu validieren. Das endgültige Modell zeigte eine beeindruckende Genauigkeit.

Diese Ergebnisse stellten die vorherrschenden Annahmen innerhalb der sensorischen Wissenschaftsgemeinschaft in Frage, die weitgehend geglaubt hatten, dass die Vorhersage der Ähnlichkeit komplexer Mischungen wesentlich schwieriger wäre als die Vorhersage der Eigenschaften einzelner Moleküle. Joel Mainland, Co-Autor der Studie und Forscher am Monell Chemical Senses Center, stellte fest, dass der Erfolg des Projekts auf früheren Fortschritten im Verständnis davon beruht, wie einzelne Komponenten zur Gesamtgeruchswahrnehmung beitragen. Er erklärte, dass es möglich wird, diese Erkenntnisse auf komplexere Szenarien zu extrapolieren, sobald die Fähigkeit zur Vorhersage der Eigenschaften einzelner Moleküle etabliert ist.

Dieser Ansatz steht im Einklang mit den Bemühungen in anderen Bereichen wie Farb- und Klangerkennung, in denen mathematische Darstellungen technologische Innovationen ermöglicht haben. Die Implikationen dieser Forschung gehen über das akademische Interesse hinaus. Zu den Anwendungen gehören die frühzeitige Erkennung von Erkrankungen durch olfaktorische Biomarker, verbesserte Geschmacksprofiling in der Lebensmittelindustrie und verbesserte Methoden zur Entwicklung und Standardisierung von aromatischen Produkten. Unternehmen, die sich auf die Schaffung von Duftstoffen spezialisieren, verlassen sich oft auf Versuchs- und Fehlerprozesse, aber das Potenzial für einen systematischeren mathematischen Ansatz könnte die Produktentwicklung rationalisieren und die Konsistenz in der Qualitätskontrolle verbessern.

Da sich der Bereich weiter entwickelt, wird die weitere Verfeinerung der Techniken des maschinellen Lernens wahrscheinlich eine Schlüsselrolle bei der Weiterentwicklung unseres Verständnisses der menschlichen Wahrnehmung und ihrer praktischen Anwendungen spielen.Die Forscher sind weiterhin optimistisch in Bezug auf die Zukunft des digitalen Geruchs und erwarten eine kontinuierliche Zusammenarbeit, um Innovationen in diesem aufstrebenden Bereich der wissenschaftlichen Forschung voranzutreiben.