Основной задачей нейробиологии является изучение того, как наши чувства преобразуют свет в зрение, звук в слух, пищу во вкус и текстуру в осязание. Обоняние — это то место, где эти сенсорные отношения становятся более сложными и запутанными.

Чтобы ответить на этот вопрос, исследовательская группа, возглавляемая Центром химических чувств Монелла и стартапом Osmo, компанией из Кембриджа, штат Массачусетс, созданной на основе исследований машинного обучения, проведенных в Google Research, Google DeepMind (ранее известная как Google Brain). ), исследуют, как переносимые по воздуху химические вещества связаны с восприятием запахов в мозгу.

С этой целью они обнаружили, что модель машинного обучения достигла человеческого уровня в описании словами того, как могут пахнуть химические вещества. Их исследование опубликовано в выпуске журнала Science от 1 сентября .

«Эта модель устраняет давние пробелы в научном понимании обоняния», — сказал старший соавтор Джоэл Мейнленд, доктор философии, член Центра Монелла.

Это сотрудничество приближает мир к оцифровке запахов для их записи и воспроизведения. Он также может идентифицировать новые запахи для парфюмерной и вкусовой промышленности, которые могут не только снизить зависимость от исчезающих растений природного происхождения , но также выявить новые функциональные ароматы для таких целей, как отпугивание комаров или маскировка неприятного запаха.

Как наши мозг и нос работают вместе

У человека имеется около 400 функциональных обонятельных рецепторов. Это белки на концах обонятельных нервов, которые соединяются с молекулами, переносящимися по воздуху, для передачи электрического сигнала в обонятельную луковицу. Число обонятельных рецепторов гораздо больше, чем мы используем для цветового зрения — четыре, или даже вкусовых — около 40.

«Однако в исследованиях обоняния вопрос о том, какие физические свойства заставляют молекулы в воздухе пахнуть так, как они действуют на мозг, остается загадкой», — сказал Мейнленд. «Но если компьютер сможет распознать взаимосвязь между формой молекул и тем, как мы в конечном итоге воспринимаем их запахи, ученые смогут использовать эти знания для лучшего понимания того, как наши мозг и нос работают вместе».

Чтобы решить эту проблему, генеральный директор Osmo Алекс Вильчко, доктор философии. и его команда создали модель, которая научилась сопоставлять прозаические описания запаха молекулы с молекулярной структурой запаха. Итоговая карта этих взаимодействий, по сути, представляет собой группы запахов со схожим запахом, например, цветочно-сладкие и конфетно-сладкие.

«Компьютеры смогли оцифровать зрение и слух, но не обоняние — наше самое глубокое и древнейшее чувство», — сказал Вильчко. «Это исследование предлагает и подтверждает новую основанную на данных карту обоняния человека, сопоставляющую химическую структуру с восприятием запахов».

Что такое запах чеснока или озона?

Модель была обучена с использованием отраслевого набора данных, который включал молекулярные структуры и запахи 5000 известных одорантов. Входные данные — это форма молекулы, а выходные данные — предсказание того, какие слова запаха лучше всего описывают ее запах.

Чтобы убедиться в эффективности модели, исследователи из Монелла провели процедуру слепой проверки, в ходе которой группа обученных участников исследования описывала новые молекулы, а затем сравнивала свои ответы с описанием модели. Каждому из 15 участников дискуссии дали по 400 ароматизаторов, а также научили использовать набор из 55 слов — от «мяты» до «заплесневелого» — для описания каждой молекулы.

«Наша уверенность в этой модели может быть такой же, как и в данных, которые мы использовали для ее проверки», — сказала соавтор исследования Эмили Мэйхью, доктор философии, которая проводила это исследование, будучи постдокторантом в Монелле. Сейчас она доцент Мичиганского государственного университета. Брайан К. Ли, доктор философии, Google Research, Brain Team, Кембридж, Массачусетс, также является соавтором.

Команда Монелла предоставила участникам дискуссии разработанные в лаборатории справочные наборы по запахам, чтобы научить их распознавать запахи и выбирать наиболее подходящие слова для описания их восприятия. Чтобы избежать ошибок прошлых исследований, таких как смешение членами группы понятий «заплесневелый», как влажный подвал, и «мускусный», как духи, учебные занятия и разработанные в лаборатории справочные наборы по запахам обучали каждого участника дискуссии качеству запаха, связанному с каждым описательным термином.

Участников дискуссии попросили выбрать, какой из 55 дескрипторов применим, и оценить степень, в которой этот термин лучше всего применим к запаху, по шкале от 1 до 5 для каждого из 400 запахов. Например, один из участников дискуссии оценил запах ранее не характерного отдушки 2,3-дигидробензофуран-5-карбоксальдегида как очень пудровый (5) и несколько сладкий (3).

Контроль качества также важен при окончательном сравнении человеческих анализаторов с компьютерной моделью. И здесь на помощь приходит соавтор Джейн Паркер, доктор философии, профессор химии ароматизаторов, Университет Рединга, Великобритания.

Ее команда проверила чистоту образцов, использованных для проверки предсказаний модели. Во-первых, газовая хроматография позволила им отделить каждое соединение в образце, включая любые примеси. Затем Паркер и ее команда понюхали каждое выделенное соединение, чтобы определить, не подавляют ли какие-либо примеси известный запах целевой молекулы.

«Среди 50 протестированных образцов мы обнаружили несколько образцов со значительными примесями», — сказал Паркер. В одном случае примесь была вызвана следами реагента, использованного при синтезе целевой молекулы, и придавала образцу характерный маслянистый запах, который перебивал интересующий одорант. «В этом случае мы смогли объяснить, почему комиссия описала запах иначе, чем предсказание ИИ».

Лучше, чем человек?

Сравнивая производительность модели с эффективностью отдельных участников исследования, модель позволила лучше предсказать средний рейтинг запаха группы, чем любой отдельный участник исследования, не считая примесей. В частности, модель работала лучше, чем средний эксперт для 53% протестированных молекул.

«Однако самым удивительным результатом является то, что модель преуспела в обонятельных задачах, для выполнения которых она не была обучена», — сказал Мейнленд. «Откровением стало то, что мы никогда не обучали его распознавать силу запаха, но, тем не менее, он мог делать точные прогнозы».

Модель смогла идентифицировать десятки пар структурно несходных молекул, которые имели парадоксально схожие запахи, и охарактеризовать широкий спектр свойств запаха, таких как сила запаха, для 500 000 потенциальных молекул аромата. «Мы надеемся, что эта карта будет полезна исследователям в области химии, обонятельной нейробиологии и психофизики в качестве нового инструмента для изучения природы обонятельных ощущений», — сказал Мейнленд.

Что дальше? Команда предполагает, что модельная карта может быть организована на основе метаболизма, что будет фундаментальным сдвигом в том, как ученые думают о запахах. Другими словами, запахи, которые расположены близко друг к другу на карте или схожи по восприятию, также с большей вероятностью будут метаболически связаны. Ученые-сенсорологи в настоящее время организуют молекулы так, как это сделал бы химик, например, задаваясь вопросом, есть ли у них эфирное или ароматическое кольцо?

«Наш мозг не организует запахи таким образом», — сказал Мейнленд. «Вместо этого эта карта предполагает, что наш мозг может систематизировать запахи в соответствии с питательными веществами, из которых они происходят».