Cuál es el código de percepción de olores, según un modelo de inteligencia artificial

Un aspecto fundamental de la neurociencia es aprender cómo los sentidos traducen la luz en el caso de la vista, el sonido en el oído, la comida para el sabor y la textura al tacto. Sin embargo, el olfato es donde estas relaciones sensoriales se vuelven más complejas y desconcertantes. Para abordar esta pregunta, un equipo de científicos están investigando cómo las sustancias químicas en el aire se conectan con el olor y qué percepción se produce en el cerebro.

Con este fin, descubrieron que un modelo de aprendizaje automático ha logrado una competencia a nivel humano para describir, en palabras, cómo pueden oler las sustancias químicas. “Aborda antiguas lagunas en la comprensión científica del sentido del olfato”, dijo el coautor principal Joel Mainland, miembro del Centro Monell.

Codirigido por el Monell Chemical Senses Center y la nueva empresa Osmo, con sede en Cambridge, Massachusetts (Estados Unidos), esta investigación de aprendizaje automático fue realizada en Google Research y publicada en Science. “Esta colaboración acerca al mundo a la digitalización de los olores, el objetivo es registrarlos y reproducirlos. Además, este modelo puede identificar nuevos aromas para la industria de fragancias que no sólo podrían disminuir la dependencia de plantas en peligro de origen natural, sino también identificar nuevos aromas funcionales para usos como repelente de mosquitos o enmascaramiento de malos olores”.

Los humanos cuentan con alrededor de 400 receptores olfativos funcionales, proteínas al final de los nervios olfatorios que se conectan con moléculas en el aire para transmitir una señal eléctrica al bulbo olfatorio. Su número es mucho mayor de lo que se utiliza para la visión de los colores (cuatro) o incluso del gusto (unos 40).

“Sin embargo, en la investigación del olfato, la cuestión de qué propiedades físicas hacen que una molécula en el aire huela como lo hace en el cerebro sigue siendo un enigma -afirmó Mainland-. Pero si una computadora puede discernir la relación entre cómo se forman las moléculas y cómo percibimos en última instancia sus olores, los científicos podrían usar ese conocimiento para avanzar en la comprensión de cómo nuestros cerebros y narices trabajan juntos”.

Para abordar esto, el director ejecutivo de Osmo, Alex Wiltschko, y su equipo crearon un modelo que aprendió a hacer coincidir las descripciones en prosa del olor de una molécula con su estructura molecular. El mapa resultante de estas interacciones es esencialmente agrupaciones de olores con otros similares, como dulce floral y dulce de caramelo. “Las computadoras han podido digitalizar la visión y el oído, pero no el olfato, nuestro sentido más profundo y antiguo -afirmó el especialista-. Este estudio propone y valida un nuevo mapa del olfato humano basado en datos, que relaciona la estructura química con la percepción del olor”.

El modelo se entrenó utilizando un conjunto de datos de la industria que incluía las estructuras moleculares y las cualidades de 5 mil odorantes conocidos. La entrada de datos es la forma de una molécula y la salida es una predicción de qué palabras olfativas describen mejor su olor.

Para comprobar la eficacia del modelo, los investigadores de Monell llevaron a cabo un procedimiento de validación ciega en el que un panel de participantes capacitados en la investigación describieron nuevas moléculas y luego compararon sus respuestas con la descripción del modelo. A los 15 panelistas se les dieron 400 odorantes cada uno y se les entrenó para usar un conjunto de 55 palabras, desde menta hasta mohoso, para describir cada molécula. “Nuestra confianza en este modelo sólo puede ser tan buena como nuestra confianza en los datos que utilizamos para probarlo”, afirmó la coautora Emily Mayhew, PhD, quien realizó esta investigación mientras era becaria postdoctoral en Monell.

El equipo suministró a los panelistas kits de referencia de olores diseñados en laboratorio para enseñarles cómo reconocerlos y seleccionar las palabras más apropiadas para describir su percepción. Para evitar los errores de estudios anteriores, como la combinación de los panelistas de “mohoso”, como un sótano húmedo, y “almizclado”, como un perfume, las sesiones de capacitación y los kits de referencia de olores diseñados en laboratorio enseñaron a cada panelista la calidad del olor asociada con cada término descriptivo.

Se pidió a los panelistas que seleccionaran cuál de los 55 descriptores se aplicaba y calificaran en qué medida el término se aplicaba mejor al olor en una escala de 1 a 5 para cada uno de los 400 olores.

El control de calidad también es importante en la comparación final de los rastreadores humanos con el modelo informático. Ahí es donde entra en juego la coautora Jane Parker, profesora de Química del Sabor, Universidad de Reading, Reino Unido. “He trabajado con el olfato durante muchos años, confiando principalmente en mi propia nariz para describir los aromas”, dijo.

Su equipo verificó la pureza de las muestras utilizadas para probar la predicción del modelo. Primero, la cromatografía de gases les permitió separar cada compuesto de una muestra, incluidas las impurezas. A continuación, Parker y su equipo olieron cada compuesto separado para determinar si alguna impureza está superando el olor conocido de la molécula objetivo. “Encontramos algunas muestras con impurezas significativas, entre las 50 analizadas -dijo la experta-. En un caso, la impureza provenía de trazas de un reactivo utilizado en la síntesis de la molécula objetivo y le dio a la muestra un olor mantecoso distintivo que superó al olor de interés. En este caso pudimos explicar por qué el panel había descrito el olor de manera diferente a la predicción de la IA”.

Al comparar el desempeño del modelo con el de los panelistas individuales, el modelo logró mejores predicciones del promedio de las calificaciones de olores del grupo que cualquier panelista individual en el estudio, dejando de lado las impurezas. Específicamente, el modelo funcionó mejor que el panelista promedio en el 53% de las moléculas probadas. “Sin embargo, el resultado más sorprendente es que el modelo tuvo éxito en tareas olfativas para las que no estaba entrenado -completó Mainland-. Lo que nos abrió los ojos fue que nunca lo entrenamos para aprender la intensidad del olor, pero aun así podía hacer predicciones precisas”.

El modelo pudo identificar docenas de pares de moléculas estructuralmente diferentes que tenían olores aparentemente similares y caracterizar una amplia variedad de propiedades de olor, como la intensidad para 500.000 moléculas potenciales. “Esperamos que este mapa sea útil para los investigadores en química, neurociencia olfativa y psicofísica como una nueva herramienta para investigar la naturaleza de la sensación olfativa”, dijo Mainland.

El equipo supone que el mapa modelo puede organizarse en función del metabolismo, lo que supondría un cambio fundamental en la forma en que los científicos piensan sobre los olores. En otras palabras, los olores que están cerca unos de otros en el mapa, o perceptivamente similares, también tienen más probabilidades de estar relacionados metabólicamente. Actualmente, los científicos sensoriales organizan las moléculas como lo haría un químico, preguntando, por ejemplo, si tiene un éster o un anillo aromático. “Nuestros cerebros no organizan los olores de esta manera -completó Mainland-. En cambio, este mapa sugiere que nuestros cerebros pueden organizar los olores según los nutrientes de los que se derivan”.