Gli odori complessi si rivelano più facili da mappare del previsto con l'apprendimento automatico

I ricercatori hanno fatto progressi nella mappatura di odori complessi utilizzando l'apprendimento automatico, rivelando che questi odori sono più facili da quantificare di quanto si pensasse in precedenza. Gli scienziati del Monell Chemical Senses Center, insieme ai collaboratori, hanno sviluppato un metodo per prevedere la somiglianza tra miscele di odori complessi con notevole precisione. I loro risultati, dettagliati in uno studio pubblicato negli Atti dell'Accademia nazionale delle scienze, suggeriscono che l'apprendimento automatico può tradurre efficacemente la natura complessa dell'odore in dati misurabili, rivoluzionando potenzialmente campi che vanno dalla medicina allo sviluppo di prodotti di consumo.

La svolta è avvenuta grazie a uno sforzo collaborativo che ha coinvolto un gruppo internazionale di ricercatori che hanno partecipato a una sfida DREAM organizzata dal team. Questa sfida mirava a migliorare il potere predittivo dei modelli di apprendimento automatico nel determinare quanto simili siano due miscele complesse di profumi. Per raggiungere questo obiettivo, i ricercatori hanno compilato e standardizzato i dati di tre studi separati, ottenendo un set di dati completo contenente 168 singole molecole, 731 miscele di profumi unici e 507 confronti tra coppie di miscele.

Ad ogni confronto è stato assegnato un valore numerico su una scala continua da 0 a 1, che rappresenta la somiglianza percepita tra gli odori, dove 0 indicava l'indistinguibilità completa e 1 rappresentava la massima distinzione.

Alla fine, quattro team hanno vinto per le migliori prestazioni, e i ricercatori hanno combinato i loro modelli con altri due modelli ad alte prestazioni per creare un modello d'insieme. Questo modello è stato quindi testato contro un set indipendente di 50 coppie di miscele di profumi per convalidare la sua efficacia. Il modello finale ha dimostrato una precisione impressionante.

Questi risultati hanno messo in discussione le ipotesi prevalenti all'interno della comunità scientifica sensoriale, che in gran parte credeva che prevedere la somiglianza di miscele complesse sarebbe stato significativamente più impegnativo che prevedere le proprietà di singole molecole. Joel Mainland, co-autore dello studio e ricercatore al Monell Chemical Senses Center, ha osservato che il successo del progetto dipendeva dai progressi precedenti nella comprensione di come i singoli componenti contribuiscono alla percezione olfattiva complessiva.

Questo approccio si allinea con gli sforzi in altri settori, come il riconoscimento del colore e del suono, dove le rappresentazioni matematiche hanno permesso l'innovazione tecnologica. Le implicazioni di questa ricerca vanno oltre l'interesse accademico. Le applicazioni includono la diagnosi precoce di condizioni mediche attraverso biomarcatori olfattivi, il profilo del sapore migliorato nelle industrie alimentari e metodi migliorati per lo sviluppo e la standardizzazione di prodotti aromatici. Le aziende specializzate nella creazione di profumi spesso si basano su processi trial-and-error, ma il potenziale di un approccio matematico più sistematico potrebbe semplificare lo sviluppo del prodotto e migliorare la coerenza nel controllo di qualità.

Mentre il campo continua ad evolversi, l'ulteriore perfezionamento delle tecniche di apprendimento automatico probabilmente svolgerà un ruolo chiave nel far progredire la nostra comprensione della percezione umana e delle sue applicazioni pratiche.I ricercatori rimangono ottimisti sul futuro dell'olfatto digitale e si aspettano una collaborazione continua per guidare l'innovazione in questo settore emergente di indagine scientifica.