Desarrollan inteligencia artificial que predice el olor de las moléculas

(imagen de Genia Brodsky y Noam Sobel)

Los colores que podemos observar están determinados por la frecuencia que tiene la longitud de la onda electromagnética; los sonidos que oímos están determinados por el tono (que indica qué tan grave o agudo es un sonido). Si uno sabe la longitud de onda, uno puede predecir el color que tendrá; sucede lo mismo con los tonos y el sonido que tendrán. Sin embargo, esto no sucede con los olores, encontrar una propiedad con la que se puedan predecir olores de la misma manera que los colores y los sonidos es uno de los enigmas que aún quedan por resolver.

Los colores y sus respectivas longitudes de onda (original de Horst Frank)

De manera resumida, se sabe que uno puede oler algo porque hay moléculas en el aire que interactúan con receptores que están en las fosas nasales (más información de esto aquí). Esto quiere decir que las propiedades de las moléculas son las que determinan el olor que van a tener y se cree que es la estructura de la molécula lo que más va a influir en su olor. Pero es aquí donde comienzan los problemas; hay moléculas muy similares en estructura que producen olores muy diferentes y hay moléculas muy diferentes que producen prácticamente el mismo olor, por lo que la relación entre la estructura de la molécula y su olor no es tan evidente.

("does it smell?" de Luke Price)

Este problema no es un desafío trivial ya que su resolución traería grandes beneficios a industrias gigantescas como la alimenticia y la cosmética, que tienen productos cuyo éxito suele recaer en su aroma. Uno de los esfuerzos más recientes para resolver este enigma lo han llevado a cabo científicos liderados por Andreas Keller y consistió en un reto llamado DREAM Olfaction Prediction Challenge.

("fi-fa-fu huelo sangre de un inglés" ilustración de Arthur Rackham que se encuentra en el libro "From English Fairy Tales" de 1918 escrito por Flora Annie Steel)

La idea del reto fue que los participantes usaran una red neuronal - que básicamente son algoritmos que emulan el funcionamiento de las neuronas y que ha tenido mucho éxito encontrando patrones y relaciones - para predecir el olor de distintas moléculas.

Para conseguirlo, los organizadores hicieron pública una base de datos con información de 338 moléculas y 4884 variables fisicoquímicas de cada una. Para la información sobre el olor, cada molécula fue evaluada por 49 individuos quienes indicaron la intensidad del olor, la agradabilidad del mismo y su clasificación dentro de 19 posibles descripciones (olor a ajo, a pescado, a pasto, etcétera).

Reacciones a "tiger balm", crema para dolores musculares producida originaria de Asia (foto de CoCo Ong como parte del proyecto "smelling Singapore")

Con esta información, los participantes se dieron a la tarea de desarrollar el modelo de una red neuronal que pudiera predecir el olor descrito por los 49 individuos a partir de las propiedades fisicoquímicas de la molécula. En la etapa final de la competencia, los organizadores publicaron información de otras 69 moléculas para que los participantes pudieran refinar sus modelos. Finalmente, la evaluación se llevó a cabo con la información de otras 69 moléculas que se habían mantenido en secreto.

Diagrama de una red neuronal. En este caso, las entradas son las 4884 variables fisicoquímicas y las salidas los posibles olores, su agradabilidad y su intensidad. Puden existir varias capas ocultas y el número de nodos o neuronas puede varias para cada una, la comunicación entre las capas (representada con flechas en la imagen) también puede variar (imagen de Gengiskanhg)

El modelo con mejor desempeño consiguió predecir la agradabilidad del olor, su intensidad y 8 de las 19 descripciones del olor; en específico para los olores a ajo, pescado, dulce, frutal, a quemado, a especies, floral y agrio.

Asimismo, el modelo consiguió encontrar relaciones entre propiedades estructurales de las moléculas y su olor. Se encontró que moléculas con azufre estaban relacionadas con olores a ajo y a quemado (cosa que ya se conocía pero no había sido puesto a prueba con algún modelo) y que moléculas con una estructura similar a la vainillina tienen un olor similar al del pan.

Estructura de la vainillina

Los autores reconocen que una de las mayores limitaciones de su estudio es el tipo de descripciones utilizadas para los olores así como los individuos que olieron las moléculas. Tomando en cuenta esto, ellos recomiendan que en estudios futuros se utilicen descripciones más precisas, una mayor variedad de moléculas que representen un mayor rango de olores y un grupo de individuos con una mayor diversidad genética y cultural. Otro aspecto que deberá considerarse será la mezcla de moléculas en los aromas y cómo cambiarán los modelos que se utilicen para su predicción.

Artículo original:
- Keller, Andreas, Richard C. Gerkin, Yuanfang Guan et al. "Predicting human olfactory perception from chemical features of odor molecules" Science 355, no. 6327 (24 febrero de 2017): 820-826. http://doi.org/10.1126/science.aal2014

Más información sobre machine lerning aplicado a la predicción de olores:
- Debnath, Tanoy. "Recent Breakthrough in Human Olfactory Perception by using Machine Learning". En Medium, https://medium.com/voice-tech-podcast/recent-breakthrough-in-human-olfactory-perception-by-using-machine-learning-685277245eb9