Un nuevo estudio de IA revela que un modelo de aprendizaje automático logra un nivel de habilidad similar al humano en la descripción del olor químico.

Estudio de IA muestra modelo de aprendizaje automático con habilidad similar a la humana en descripción de olor químico.

El desafío fundamental en neurociencia es entender cómo las propiedades físicas de los estímulos se asocian con características perceptuales. Mientras que existen mapeos bien establecidos entre propiedades físicas y cualidades perceptuales en otros sentidos, como el color en la visión y la frecuencia en la audición, el estudio destaca que el mapeo entre estructuras químicas y percepciones olfativas sigue siendo adecuadamente comprendido. 

Para abordar estas preocupaciones, los investigadores desarrollaron un modelo basado en redes neuronales para mapear estructuras químicas a percepciones olfativas, creando un mapa de olores principales (POM por sus siglas en inglés) que captura distancias y jerarquías perceptuales. Experimentaron con un conjunto de datos de 5,000 moléculas con etiquetas de olores, entrenaron el modelo y llevaron a cabo un desafío de validación prospectiva, mostrando que la predicción del modelo se ajustaba estrechamente a las calificaciones humanas para odorantes nuevos. El POM preservó las relaciones perceptuales, superando a los mapas basados en estructuras tradicionales. El trabajo enfatiza el potencial del aprendizaje automático para mapear el espacio de olores y entender las percepciones olfativas. 

Compararon el modelo de red neuronal gráfica (GNN por sus siglas en inglés) con un modelo tradicional de huella dactilar basado en recuento para predecir las preferencias de olores de varios modelos. El modelo GNN superó al modelo basado en cFP, igualando o superando las calificaciones de los panelistas humanos en un 55% para las etiquetas de olores. Se identificaron impurezas en reacciones químicas como posibles contribuyentes a las percepciones olfativas, con una tasa de contaminación olorosa significativa del 31.5% en el conjunto de estímulos. El modelo GNN funcionó mejor para etiquetas con determinantes estructurales claros y con muchos ejemplos de entrenamiento, mientras que el rendimiento de los panelistas varió según su familiaridad con las etiquetas.

El mapa de olores principales (POM por sus siglas en inglés) se probó en cuanto a su robustez para manejar discontinuidades en el mapeo de la estructura molecular y la percepción del olor. Los investigadores obtuvieron el resultado de que el POM predijo correctamente la relación contra intuitiva entre estructura y olor en el 50% de los casos, mientras que un modelo de referencia tuvo un desempeño mucho peor, del 90%. Un modelo lineal basado en las coordenadas del POM superó a los modelos químicos en la predicción de aplicabilidad del olor, umbrales de detección del olor y similitud perceptual en múltiples conjuntos de datos. 

Este mapa impulsado de la olfacción humana proporciona una base para exploraciones adicionales de las complejas relaciones entre la estructura molecular y la percepción del olor. Abre nuevas vías para descubrir la naturaleza de la sensación olfativa y promete avanzar en los campos de la química, la neurociencia olfativa y la psicofísica.