Les odeurs complexes sont plus faciles à cartographier que prévu grâce à l'apprentissage automatique

Les chercheurs ont fait des progrès dans la cartographie des odeurs complexes en utilisant l'apprentissage automatique, révélant que ces odeurs sont plus faciles à quantifier qu'on ne le pensait auparavant. Des scientifiques du Monell Chemical Senses Center, avec des collaborateurs, ont développé une méthode pour prédire la similitude entre des mélanges complexes d'odeurs avec une précision remarquable. Leurs résultats, détaillés dans une étude publiée dans les Actes de l'Académie nationale des sciences, suggèrent que l'apprentissage automatique peut traduire efficacement la nature complexe de l'odeur en données mesurables, révolutionnant potentiellement des domaines allant de la médecine au développement de produits de consommation.

Cette découverte a été réalisée grâce à un effort de collaboration impliquant un groupe international de chercheurs qui ont participé à un défi DREAM organisé par l'équipe. Ce défi visait à améliorer le pouvoir prédictif des modèles d'apprentissage automatique pour déterminer à quel point deux mélanges complexes d'odeurs sont similaires. Pour ce faire, les chercheurs ont compilé et standardisé les données de trois études distinctes, ce qui a abouti à un ensemble de données complet contenant 168 molécules individuelles, 731 mélanges d'odeurs uniques et 507 comparaisons entre paires de mélanges.

Chaque comparaison a reçu une valeur numérique sur une échelle continue de 0 à 1, représentant la similitude perçue entre les parfums, où 0 indiquait l'indistinction complète et 1 la distinction maximale.

En fin de compte, quatre équipes ont égalé pour la meilleure performance, et les chercheurs ont combiné leurs modèles avec deux modèles supplémentaires de haute performance pour créer un modèle d'ensemble. Ce modèle a ensuite été testé contre un ensemble indépendant de 50 paires de mélanges de parfums pour valider son efficacité. Le modèle final a démontré une précision impressionnante.

Ces résultats remettent en question les hypothèses prévalant au sein de la communauté des sciences sensorielles, qui croyaient en grande partie que la prédiction de la similitude des mélanges complexes serait beaucoup plus difficile que de prédire les propriétés des molécules individuelles.

Cette approche s'aligne sur les efforts déployés dans d'autres domaines, tels que la reconnaissance des couleurs et des sons, où les représentations mathématiques ont permis l'innovation technologique. Les implications de cette recherche vont au-delà de l'intérêt académique. Les applications comprennent la détection précoce des conditions médicales par le biais de biomarqueurs olfactifs, l'amélioration du profil des arômes dans les industries alimentaires et des méthodes améliorées pour le développement et la normalisation des produits aromatiques. Les entreprises spécialisées dans la création de parfums s'appuient souvent sur des processus d'essais et d'erreurs, mais le potentiel d'une approche mathématique plus systématique pourrait rationaliser le développement des produits et améliorer la cohérence du contrôle de la qualité.

Les chercheurs restent optimistes quant à l'avenir de l'olfaction numérique et s'attendent à ce que la collaboration continue à stimuler l'innovation dans ce domaine émergent de la recherche scientifique.