Основная задача нейробиологии – изучить, как наши органы чувств преобразуют свет в зрение, звук в слух, пищу во вкус, а текстуру – в осязание. Запах – это то место, где эти сенсорные взаимосвязи становятся более сложными и сбивающими с толку.
Чтобы ответить на этот вопрос, исследовательская группа, совместно возглавляемая Monell Chemical Senses Center и стартапом Osmo, компанией из Кембриджа, штат Массачусетс, основанной на исследованиях машинного обучения, проведенных в Google Research, Google DeepMind (ранее известной как Google Brain), исследует, как химические вещества, находящиеся в воздухе, связаны с запахом восприятие в мозге.
С этой целью они обнаружили, что модель машинного обучения достигла уровня мастерства человека в словесном описании того, как могут пахнуть химические вещества. Их исследование опубликовано в выпуске журнала Science от 1 сентября.
“Модель устраняет вековые пробелы в научном понимании обоняния”, – сказал старший соавтор Джоэл Мейнленд, доктор философии, сотрудник Центра Монелла.
Это сотрудничество приближает мир к оцифровке запахов, которые можно записывать и воспроизводить. Это также может выявить новые запахи для индустрии ароматизаторов, которые могли бы не только снизить зависимость от растений, находящихся под угрозой исчезновения, но и выявить новые функциональные ароматы для таких применений, как средство от комаров или маскировка неприятного запаха.
Как наши мозги и носы работают вместе
У человека имеется около 400 функциональных обонятельных рецепторов. Это белки на концах обонятельных нервов, которые соединяются с молекулами, находящимися в воздухе, для передачи электрического сигнала к обонятельной луковице. Количество обонятельных рецепторов намного больше, чем мы используем для цветового зрения — четыре, или даже вкусовых — около 40.
“Однако в исследованиях обоняния вопрос о том, какие физические свойства заставляют молекулу, находящуюся в воздухе, пахнуть так, как она воздействует на мозг, остается загадкой”, – сказал Мейнленд. “Но если компьютер сможет распознать взаимосвязь между формой молекул и тем, как мы в конечном счете воспринимаем их запахи, ученые могли бы использовать эти знания для улучшения понимания того, как наш 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. Результирующая карта этих взаимодействий, по сути, представляет собой группировки схожих по запаху запахов, таких как цветочная сладость и леденцовая сладость.
“Компьютеры смогли оцифровать зрение и слух, но не обоняние — наше самое глубокое и древнее чувство”, – сказал Вильчко. “Это исследование предлагает и подтверждает новую карту человеческого обоняния, основанную на данных, которая сопоставляет химическую структуру с восприятием запаха”.
POM решает фундаментальный набор задач обонятельного прогнозирования.
Чем пахнет чеснок или озон?
Модель была обучена с использованием отраслевого набора данных, который включал молекулярные структуры и свойства запаха 5000 известных одорантов. Входные данные – это форма молекулы, а выходные – предсказание того, какие слова для описания запаха лучше всего описывают ее запах.
Чтобы убедиться в эффективности модели, исследователи из Monell провели процедуру слепой валидации, в ходе которой группа обученных участников исследования описала новые молекулы, а затем сравнила их ответы с описанием модели. Каждому из 15 участников дискуссии дали по 400 отдушек, а также обучили использовать набор из 55 слов — от мятного до затхлого — для описания каждой молекулы.
“Наша уверенность в этой модели может быть настолько же высока, насколько мы уверены в данных, которые мы использовали для ее тестирования”, – сказала соавтор Эмили Мэйхью, доктор философии, которая проводила это исследование, будучи аспирантом Монелла. В настоящее время она является доцентом Мичиганского государственного университета. Брайан К. Ли, доктор философии, Google Research, Brain Team, Кембридж, Массачусетс, также является одним из первых авторов.
Команда Monell снабдила участников дискуссии разработанными в лаборатории наборами для определения запахов, чтобы научить их распознавать запахи и выбирать наиболее подходящие слова для описания своего восприятия. Чтобы избежать ошибок прошлых исследований, таких как смешение участниками дискуссии понятий “затхлый”, как в сыром подвале, и “мускусный”, как в духах, тренинги и разработанные в лаборатории наборы для определения запаха научили каждого участника дискуссии качеству запаха, связанному с каждым описательным термином.
Участникам дискуссии было предложено выбрать, какой из 55 описателей применим, и оценить степень, в которой этот термин наилучшим образом применим к запаху, по шкале от 1 до 5 для каждого из 400 запахов. Например, один из участников дискуссии оценил запах ранее нехарактерного отдушки 2,3-дигидробензофуран-5-карбоксальдегида как очень порошкообразный (5) и несколько сладковатый (3).
Контроль качества также важен при окончательном сравнении человеческих анализаторов с компьютерной моделью. Вот тут-то и вступает в дело соавтор Джейн Паркер, доктор философии, профессор химии ароматов Университета Рединга, Великобритания.
Ее команда проверила чистоту образцов, использованных для проверки предсказания модели. Во-первых, газовая хроматография позволила им выделить каждое соединение в образце, включая любые примеси. Затем Паркер и ее команда понюхали каждое выделенное соединение, чтобы определить, подавляет ли какая-либо примесь известный запах молекулы-мишени.
“Мы действительно нашли несколько образцов со значительными примесями среди 50 протестированных”, – сказал Паркер. В одном случае примесь состояла из следов реагента, использованного при синтезе молекулы-мишени, и придавала образцу характерный маслянистый запах, который подавлял представляющий интерес ароматизатор. “В этом случае мы смогли объяснить, почему панель описала запах иначе, чем предсказывал искусственный интеллект”.
Основная карта запахов (POM) сохраняет структуру пространства восприятия запаха.
Сравнивая эффективность модели с результатами отдельных участников дискуссии, модель добилась лучших прогнозов среднего значения оценок запаха в группе, чем любой отдельный участник дискуссии в исследовании, не считая примесей. В частности, модель показала лучшие результаты, чем средний участник дискуссии, по 53% протестированных молекул.
“Однако самым удивительным результатом является то, что модель преуспела в выполнении обонятельных задач, которым ее не обучали”, – сказал Мейнленд. “Неожиданностью стало то, что мы никогда не обучали его узнавать силу запаха, но, тем не менее, он мог делать точные прогнозы”.
Модель смогла идентифицировать десятки пар структурно непохожих молекул, которые вопреки интуиции обладали схожими запахами, и охарактеризовать широкий спектр свойств запаха, таких как сила запаха, для 500 000 потенциальных молекул запаха. “Мы надеемся, что эта карта будет полезна исследователям в области химии, нейробиологии обоняния и психофизики в качестве нового инструмента для исследования природы обонятельных ощущений”, – сказал Мейнленд.
Что дальше? Команда предполагает, что модельная карта может быть организована на основе метаболизма, что стало бы фундаментальным сдвигом в том, как ученые думают о запахах. Другими словами, запахи, которые находятся близко друг к другу на карте или схожи с точки зрения восприятия, также с большей вероятностью связаны метаболически. Ученые-сенсорики в настоящее время организуют молекулы так, как это сделал бы химик, например, спрашивая, 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 упорядочивать запахи в соответствии с питательными веществами, из которых они происходят”.