La intel·ligència artificial crea un mapa per predir l’olor de les molècules
Un model basat en xarxes neuronals de grafs permet relacionar l’estructura química de les molècules amb descriptors olfactius com ara floral, afruitat, cítric o mentolat.
La intel·ligència artificial ha obert una nova via per estudiar el sentit de l’olfacte, un dels sistemes sensorials més difícils de modelitzar. Un equip internacional d’investigadors ha desenvolupat el Mapa Principal d’Olors, conegut com a POM per les sigles en anglés, amb l’objectiu de predir com pot ser percebuda una molècula a partir de la seua estructura química.
A diferència de la vista o l’oïda, que es poden relacionar amb propietats físiques com les longituds d’ona de la llum o les freqüències del so, no existeix una única dimensió física que permeta explicar l’olor. Molècules molt semblants poden provocar aromes diferents, mentre que estructures químiques allunyades poden compartir descriptors olfactius.
Xarxes neuronals per analitzar l’estructura molecular
Per afrontar aquesta dificultat, els investigadors van utilitzar xarxes neuronals de grafs, denominades GNN. Aquest tipus d’intel·ligència artificial representa cada molècula com una xarxa matemàtica formada per àtoms i enllaços químics.
En aquesta representació, els àtoms actuen com a nodes i els enllaços com a arestes. El sistema analitza la topologia molecular i aprén patrons relacionats amb determinades propietats olfactives.
Durant l’entrenament, la xarxa estudia molècules que ja disposen de descripcions sensorials conegudes. A partir d’aquestes dades, genera per a cada compost una representació numèrica formada per 256 valors.
Aquesta informació situa la molècula dins d’un espai matemàtic en què les estructures amb perfils olfactius semblants tendeixen a aparéixer pròximes.
Què és el Mapa Principal d’Olors?
El Mapa Principal d’Olors no és una tecnologia separada de la xarxa neuronal, sinó la representació interna que el model aprén durant el procés d’entrenament.
El sistema organitza les molècules en un espai vectorial de 256 dimensions. Les coordenades de cada molècula es calculen a partir de la seua estructura química i de descriptors sensorials com ara afruitat, floral, llenyós o mentolat.
La proximitat entre dues molècules indica que el model preveu perfils olfactius semblants. Tanmateix, aquesta relació no garanteix que totes les persones perceben l’olor de la mateixa manera ni que la resposta siga idèntica en qualsevol concentració o context.
El model va ser presentat l’any 2023 en l’article científic A principal odor map unifies diverse tasks in olfactory perception, publicat a la revista Science per Brian K. Lee i altres investigadors.
Comparació amb panelistes humans
Per comprovar el funcionament del sistema, els investigadors van seleccionar 400 molècules que no havien format part del conjunt d’entrenament. Després dels controls de qualitat, 323 compostos van quedar inclosos en l’anàlisi principal.
El model havia sigut entrenat amb aproximadament 5.000 molècules etiquetades. Posteriorment, les seues prediccions es van comparar amb les valoracions d’un panel format per 15 persones entrenades, que van descriure cada substància mitjançant 55 descriptors olfactius.
En el 53% de les 323 molècules analitzades, el perfil generat pel model es va aproximar més a la mitjana del panel que la valoració del panelista situat en la posició mediana.
L’estudi també va incloure una prova amb 41 grups de molècules en què la semblança estructural no coincidia amb la semblança olfactiva. En aquests casos, el sistema va identificar correctament la relació en el 50% de les proves, davant del 19% obtingut per un model de referència basat en empremtes moleculars i boscos aleatoris.
Els investigadors assenyalen que aquests resultats corresponen a unes condicions experimentals concretes i no impliquen que el model reproduïsca de manera general el funcionament de l’olfacte humà.
Possibles aplicacions en perfumeria i alimentació
El Mapa Principal d’Olors pot facilitar el cribratge virtual de grans conjunts de molècules. Aquesta capacitat podria ajudar sectors com la perfumeria, la cosmètica o la indústria alimentària a seleccionar compostos aromàtics abans de sintetitzar-los o sotmetre’ls a proves experimentals.
La tecnologia també pot contribuir a predir descriptors olfactius de molècules que no estaven incloses en el conjunt d’entrenament i a prioritzar candidats per al desenvolupament de noves fragàncies.
No obstant això, aspectes com la sostenibilitat, la biodegradabilitat, la toxicitat o el potencial al·lergogen s’han d’analitzar mitjançant procediments específics i independents.
Intel·ligència artificial contra mosquits i paparres
Altres investigacions relacionades han utilitzat també xarxes neuronals de grafs per buscar compostos amb capacitat repel·lent.
Un model entrenat amb prop de 19.000 mesuraments històrics de repel·lència va identificar més de deu molècules amb resultats comparables o superiors als d’alguns repel·lents de referència en determinades proves de laboratori.
Aquesta línia d’investigació no deriva directament del Mapa Principal d’Olors, però mostra la capacitat d’aquestes tècniques per accelerar la identificació de compostos contra mosquits i paparres.
Els resultats encara no demostren l’eficàcia d’aquestes substàncies en condicions reals, ni tampoc la seua seguretat o viabilitat comercial.
Una eina complementària a l’avaluació humana
En el context europeu, les eines predictives poden ajudar a seleccionar molècules amb determinades propietats sensorials. Tanmateix, les prediccions no garanteixen el compliment de normatives com el reglament REACH, que estableix requisits per a l’avaluació i la gestió dels riscos químics.
El Mapa Principal d’Olors tampoc incorpora de manera explícita la concentració de les substàncies ni va ser dissenyat per predir el comportament de les mescles.
La seua funció és oferir una eina quantitativa que connecte l’estructura química amb determinats aspectes de la percepció olfactiva. Les prediccions del model han de ser confirmades posteriorment mitjançant proves experimentals i avaluacions sensorials.
