Sinirbilimin temel noktalarından biri, duyularımızın ışığı nasıl görmeye, sesi duymaya, yiyeceği tada ve dokuyu dokunmaya nasıl dönüştürdüğünü öğrenmektir. Koku, bu duyusal ilişkilerin daha karmaşık ve kafa karıştırıcı hale geldiği yerdir.

Bu soruyu ele almak için, Monell Chemical Senses Center ve Cambridge, Mass, merkezli bir şirket olan yeni kurulan Osmo'nun ortak liderliğindeki bir araştırma ekibi, Google Research, Google DeepMind (eski adıyla Google Brain olarak biliniyordu) tarafından yapılan makine öğrenimi araştırmasından yola çıktı. ), havadaki kimyasalların beyindeki koku algısına nasıl bağlandığını araştırıyorlar. Bu amaçla, bir makine öğrenimi modelinin, kimyasalların nasıl koktuğunu kelimelerle açıklama konusunda insan düzeyinde yeterliliğe ulaştığını keşfettiler. Araştırmaları Science dergisinin 1 Eylül sayısında yayınlandı.

Kıdemli ortak yazar, PhD, Monell Merkezi Üyesi Joel Anakara, "Model, koku alma duyusunun bilimsel anlayışındaki asırlık boşlukları ele alıyor" dedi. Bu iş birliği, dünyayı kokuların kaydedilip yeniden üretilmesi için dijitalleştirmeye yaklaştırıyor. Aynı zamanda, koku ve tat endüstrisi için yalnızca doğal kaynaklı nesli tükenmekte olan bitkilere olan bağımlılığı azaltmakla kalmayıp aynı zamanda sivrisinek kovucu veya kötü koku maskeleme gibi kullanımlar için yeni işlevsel kokuları da tanımlayabilecek yeni kokuları tanımlayabilir.

"Beyinlerimiz ve burunlarımız birlikte nasıl çalışır?" İnsanlarda yaklaşık 400 işlevsel koku alma reseptörü vardır. Bunlar, koku alma sinirlerinin ucunda bulunan ve koku alma soğanına bir elektrik sinyali iletmek üzere havadaki moleküllere bağlanan proteinlerdir. Koku alma reseptörlerinin sayısı, renkli görme için kullandığımızdan çok daha fazladır (dört hatta tat alma duyusu için bile yaklaşık 40).

Anakara, "Koku alma araştırmalarında, havadaki bir molekülün beyinde olduğu gibi kokmasını sağlayan fiziksel özelliklerin neler olduğu sorusu bir muamma olarak kaldı" dedi. "Fakat eğer bir bilgisayar moleküllerin şekli ile bizim onların kokularını nasıl algıladığımız arasındaki ilişkiyi ayırt edebilirse, bilim insanları bu bilgiyi beynimizin ve burunlarımızın birlikte nasıl çalıştığına dair anlayışı ilerletmek için kullanabilirler."

Bu konuyu ele almak için Osmo CEO'su PhD Alex Wiltschko ve ekibi, bir molekülün kokusuna ilişkin düzyazı tanımlarının, kokunun moleküler yapısıyla nasıl eşleştirileceğini öğrenen bir model yarattı. Bu etkileşimlerin ortaya çıkan haritası, esasen çiçeksi tatlı ve şekerli tatlı gibi benzer kokulu kokuların gruplandırılmasıdır. Wiltschko, "Bilgisayarlar görme ve duymayı dijital hale getirebildi ancak kokuyu (en derin ve en eski duyularımız) dijitalleştiremedi" dedi. "Bu çalışma, kimyasal yapıyı koku algısıyla eşleştiren, insan koku alma duyusunun yeni, veriye dayalı bir haritasını öneriyor ve doğruluyor."

Sarımsak veya ozonun kokusu nedir?

Model, bilinen 5.000 koku maddesinin moleküler yapılarını ve koku niteliklerini içeren bir endüstri veri seti kullanılarak eğitildi. Veri girişi bir molekülün şeklidir ve çıktı, hangi koku kelimelerinin onun kokusunu en iyi tanımladığının tahminidir.

Modelin etkinliğini belirlemek için Monell'deki araştırmacılar, eğitimli araştırma katılımcılarından oluşan bir panelin yeni molekülleri tanımladığı ve ardından yanıtlarını modelin açıklamasıyla karşılaştırdığı kör bir doğrulama prosedürü gerçekleştirdi. 15 panelistin her birine 400 koku verildi ve her molekülü tanımlamak için naneden küfe kadar 55 kelimelik bir dizi kullanma eğitimi verildi.

Monell doktora sonrası araştırmacısı iken bu araştırmayı yürüten ortak yazar Emily Mayhew (PhD), "Bu modele olan güvenimiz ancak onu test etmek için kullandığımız verilere olan güvenimiz kadar iyi olabilir" dedi. Şu anda Michigan Eyalet Üniversitesi'nde yardımcı doçent olarak görev yapmaktadır. Brian K. Lee, PhD, Google Araştırma, Brain Team, Cambridge, Massachusetts, aynı zamanda ortak yazarlardan biridir.

Monell ekibi, panelistlere kokuları nasıl tanıyacaklarını ve algılarını tanımlamak için en uygun kelimeleri nasıl seçeceklerini öğretmek için laboratuvarda tasarlanmış koku referans kitleri sağladı. Panelistlerin ıslak bodrum gibi "küflü" ve parfüm gibi "misli" kelimelerini birleştirmesi gibi geçmiş çalışmalardan kaynaklanan tuzaklardan kaçınmak için, eğitim oturumları ve laboratuvar tarafından tasarlanmış koku referans kitleri, her paneliste her tanımlayıcı terimle ilişkili koku kalitesini öğretti.

Panelistlerden uygulanan 55 tanımlayıcıdan hangisinin seçilmesi ve 400 kokunun her biri için 1'den 5'e kadar bir ölçekte terimin kokuya en iyi uygulanma derecesini derecelendirmeleri istendi. Örneğin, bir panelist daha önce tanımlanmamış koku verici madde olan 2,3-dihidrobenzofuran-5-karboksaldehitin kokusunu çok tozlu (5) ve biraz tatlı (3) olarak değerlendirdi.

Kalite kontrolü, insan algılayıcılarının bilgisayar modeliyle nihai karşılaştırmasında da önemlidir. İşte tam bu noktada ortak yazar Jane Parker, PhD, Reading Üniversitesi, Lezzet Kimyası Profesörü devreye giriyor. "Uzun yıllar koku üzerinde çalıştım ve aromaları tanımlamak için esas olarak kendi burnuma güvendim." Ekibi saflığı doğruladı. Modelin öngörüsünü test etmek için kullanılan örneklerin sayısı. İlk olarak, gaz kromatografisi, bir numunedeki her bir bileşiğin, yabancı maddeler de dahil olmak üzere ayrılmasını sağladı. Daha sonra Parker ve ekibi, herhangi bir yabancı maddenin hedef molekülün bilinen kokusunu bastırıp bastırmadığını belirlemek için ayrılan her bir bileşiği kokladı.

Parker, "Test edilen 50 örnek arasında önemli safsızlıklara sahip birkaç örnek bulduk" dedi. Bir durumda, safsızlık, hedef molekülün sentezinde kullanılan bir reaktifin izlerinden kaynaklanıyordu ve numuneye, ilgilenilen kokuyu bastıran kendine özgü bir tereyağ kokusu veriyordu. "Bu durumda panelin kokuyu neden AI tahmininden farklı tanımladığını açıklayabildik."

Bir İnsandan Daha mı İyi?

Modelin performansını bireysel panelistlerin performansıyla karşılaştırırken, model, safsızlıklar bir yana, çalışmadaki herhangi bir panelistten grubun koku derecelendirmelerinin ortalamasına ilişkin daha iyi tahminler elde etti. Spesifik olarak model, test edilen moleküllerin %53'ü için ortalama panelistten daha iyi performans gösterdi.

Anakara, "Ancak en şaşırtıcı sonuç, modelin eğitim almadığı koku alma görevlerinde başarılı olması" dedi. "Göz açıcı olanı, onu hiçbir zaman koku gücünü öğrenecek şekilde eğitmemiş olmamızdı, ancak yine de doğru tahminler yapabiliyordu."

Model, sezgisel olarak benzer kokulara sahip düzinelerce yapısal olarak farklı molekül çiftini tanımlamayı ve 500.000 potansiyel koku molekülü için koku kuvveti gibi çok çeşitli koku özelliklerini karakterize etmeyi başardı. Anakara, "Bu haritanın koku alma duyusunun doğasını araştırmak için yeni bir araç olarak kimya, koku sinir bilimi ve psikofizik alanındaki araştırmacılara yararlı olacağını umuyoruz" dedi.

Sıradaki ne? Ekip, model haritasının metabolizmaya dayalı olarak düzenlenebileceğini ve bunun bilim adamlarının kokular hakkındaki düşüncelerinde temel bir değişiklik olabileceğini tahmin ediyor. Başka bir deyişle, haritada birbirine yakın olan veya algısal olarak benzer olan kokuların metabolik olarak ilişkili olma olasılığı da daha yüksektir. Duyusal bilim insanları şu anda molekülleri bir kimyagerin, örneğin bir ester veya aromatik halkaya sahip olup olmadığını soracağı şekilde organize ediyor.

Anakara, "Beynimiz kokuları bu şekilde organize etmiyor" dedi. "Bunun yerine, bu harita beynimizin kokuları aldıkları besinlere göre düzenleyebileceğini gösteriyor."