ENG: A main crux of neuroscience is learning how our senses translate light into sight, sound into hearing, food into taste, and texture into touch. Smell is where these sensory relationships get more complex and perplexing. To study this domain, a research team co-led by the Monell Chemical Senses Center and start-up Osmo, a Cambridge, Mass.-based company spun out of machine-learning research at Google Research, are investigating how airborne chemicals connect to odor perception in the brain. To this end they discovered that their model has achieved human-level proficiency at describing, in words, how chemicals might smell. This collaboration moves the world closer to digitizing odors to be recorded and reproduced. It also may identify new odors for the fragrance and flavor industry that could not only decrease dependence on naturally sourced endangered plants, but also identify new functional scents for such uses as mosquito repellent or malodor masking.
Humans have about 400 functional olfactory receptors. These are proteins at the end of olfactory nerves that connect with airborne molecules to transmit an electrical signal to the olfactory bulb. The number of olfactory receptors is much more than we use for color vision – four – or even taste – about 40. To address this, Osmo CEO Alex Wiltschko, PhD and his team created a model that learned how to match the prose descriptions of a molecule’s odor with the odor’s molecular structure. The resulting map of these interactions is essentially groupings of similarly smelling odors, like floral sweet and candy sweet.
The model was trained using an industry dataset that included the molecular structures and odor qualities of 5,000 known odorants. Data input is the shape of a molecule, and the output is a prediction of which odor words best describe its smell. To ascertain the efficacy of the model, researchers at Monell conducted a blind validation procedure in which a panel of trained research participants described new molecules, and then compared their answers with the model’s description. The 15 panelists were each given 400 odorants as well as trained to use a set of 55 words – from mint to musty – to describe each molecule.
The Monell team supplied panelists with lab-designed odor reference kits to teach them how to recognize the smells and select the most appropriate words to describe their perception. To avoid pitfalls from past studies like panelist conflation of “musty,” like a wet basement, and “musky,” like a perfume, training sessions and lab-designed odor reference kits taught each panelist the odor quality associated with each descriptive term. The panelists were asked to select which of the 55 descriptors applied and to rate the extent to which the term best applied to the odor on a 1-to-5 scale for each of the 400 odors.
In comparing the model’s performance to that of individual panelists, the model achieved better predictions of the average of the group’s odor ratings than any single panelist in the study, impurities aside. Specifically, the model performed better than the average panelist for 53% of the molecules tested. The model was able to identify dozens of pairs of structurally dissimilar molecules that had counter-intuitively similar smells, and characterize a wide variety of odor properties, such as odor strength, for 500,000 potential scent molecules.
RO: Un aspect esențial al neuroștiinței este acela de a afla cum transformă simțurile noastre lumina în vedere, sunetul în auz, mâncarea în gust și textura în atingere. Mirosul este punctul în care aceste relații senzoriale devin mai complexe și mai perplexe. Pentru a studia acest domeniu, o echipă de cercetare condusă de Monell Chemical Senses Center și de start-up-ul Osmo, o companie cu sediul în Cambridge, Massachusetts, care a luat naștere în urma cercetărilor în domeniul învățării automate de la Google Research, investighează modul în care substanțele chimice din aer se conectează la percepția mirosului în creier. În acest scop, ei au descoperit că modelul lor a atins o competență la nivel uman în a descrie, în cuvinte, cum ar putea mirosi substanțele chimice. Această colaborare apropie lumea de digitalizarea mirosurilor pentru a fi înregistrate și reproduse. De asemenea, ar putea identifica noi mirosuri pentru industria parfumurilor și a aromelor, care ar putea nu numai să reducă dependența de plantele pe cale de dispariție din surse naturale, ci și să identifice noi mirosuri funcționale pentru utilizări cum ar fi respingerea țânțarilor sau mascarea mirosurilor neplăcute.
Oamenii au aproximativ 400 de receptori olfactivi funcționali. Aceștia sunt proteine aflate la capătul nervilor olfactivi care se conectează cu moleculele din aer pentru a transmite un semnal electric către bulbul olfactiv. Numărul de receptori olfactivi este mult mai mare decât cel pe care îl folosim pentru vederea culorilor – patru – sau chiar pentru gust – aproximativ 40. Pentru a rezolva acest aspect, Alex Wiltschko, director executiv al Osmo, doctor în științe, și echipa sa au creat un model care a învățat cum să potrivească descrierile în proză ale mirosului unei molecule cu structura moleculară a mirosului. Harta rezultată a acestor interacțiuni este, în esență, grupări de mirosuri similare, cum ar fi dulce floral și dulce de bomboane.
Modelul a fost antrenat folosind un set de date din industrie care includea structurile moleculare și calitățile olfactive a 5.000 de odorizante cunoscute. Datele introduse sunt forma unei molecule, iar rezultatul este o predicție a cuvintelor care descriu cel mai bine mirosul acesteia. Pentru a verifica eficacitatea modelului, cercetătorii de la Monell au efectuat o procedură de validare oarbă în care un grup de participanți la cercetare instruiți au descris noi molecule, apoi au comparat răspunsurile lor cu descrierea modelului. Fiecare dintre cei 15 membri ai panelului a primit câte 400 de mirosuri și a fost antrenat să utilizeze un set de 55 de cuvinte – de la mentă la mucegai – pentru a descrie fiecare moleculă.
Echipa Monell le-a furnizat membrilor panelului kituri de referință pentru mirosuri concepute în laborator pentru a-i învăța cum să recunoască mirosurile și să selecteze cele mai potrivite cuvinte pentru a descrie percepția lor. Pentru a evita capcanele studiilor anterioare, cum ar fi confuzia dintre “mucegai”, ca un subsol umed, și “muscat”, ca un parfum, în sesiunile de formare și kiturile de referință pentru mirosuri concepute în laborator au învățat fiecare membru calitatea mirosului asociată cu fiecare termen descriptiv. Membrii juriului au fost rugați să selecteze care dintre cei 55 de descriptori se aplicau și să evalueze măsura în care termenul se aplica cel mai bine mirosului pe o scară de la 1 la 5 pentru fiecare dintre cele 400 de mirosuri.
Comparând performanțele modelului cu cele ale membrilor, modelul a realizat predicții mai bune ale mediei evaluărilor de miros ale grupului decât orice persoană din studiu, fără a lua în considerare impuritățile. Mai exact, modelul a avut performanțe mai bune decât cele medii pentru 53% dintre moleculele testate. Acesta a fost capabil să identifice zeci de perechi de molecule structural diferite care aveau mirosuri asemănătoare în mod contra-intuitiv și să caracterizeze o mare varietate de proprietăți olfactive, cum ar fi puterea mirosului, pentru 500.000 de molecule potențiale de miros.
Source (Monell Chemical Senses Center, “A Step Closer to Digitizing the Sense of Smell: Monell Center, Osmo Model Describes Odors Better than Human Panelists”, 31.08.2023)
Paper: Lee, B.K., Mayhew, E.J., Sanchez-Lengeling, B., Wei, J.N., Qian, W.W., Little, K.A., Andres, M., Nguyen, B.B., Moloy, T., Yasonik, J. and Parker, J.K., 2023. A principal odor map unifies diverse tasks in olfactory perception. Science, 381(6661), pp.999-1006.
