Основная суть нейробиологии заключается в изучении того, как наши чувства переводят 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 известной как Google Brain), исследует, как переносимые по воздуху химические вещества связаны с восприятием запаха в мозгу.
С этой целью они обнаружили, что модель машинного обучения достигла человеческого уровня в описании словами, как химические вещества могут пахнуть. 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, член Центра Монелла.
Это сотрудничество приближает мир к оцифровке запахов, которые будут записываться и воспроизводиться. Она также может идентифицировать новые запахи для парфюмерной и ароматической промышленности, которые могут не только уменьшить зависимость от природных растений, находящихся под угрозой исчезновения, но и определить новые функциональные ароматы для таких целей, как репеллент от комаров или маскировка неприятного запаха.
Как наш мозг и нос работают вместе
У человека около 400 функциональных обонятельных рецепторов. Это белки на концах обонятельных нервов, которые соединяются с молекулами, находящимися в воздухе, для передачи электрического сигнала на обонятельную луковицу. Количество обонятельных рецепторов намного больше, чем мы используем для цветового зрения — четыре — или даже вкуса — около 40.
«Однако в исследованиях обоняния вопрос о том, какие физические свойства заставляют молекулу в воздухе пахнуть так, как она воздействует на мозг, остается загадкой», — сказал Мейнленд. «Но если компьютер сможет различить взаимосвязь между тем, как формируются молекулы, и тем, как мы в конечном итоге воспринимаем их запахи, ученые могут использовать эти знания, чтобы продвинуть понимание 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 группы одинаково пахнущих запахов, таких как цветочная сладость и конфетная 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 обоняния человека, основанную на данных, сопоставляющую химическую структуру с восприятием запаха».
Какой 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 Monell провели процедуру слепой проверки, в ходе которой группа обученных участников исследования описала новые молекулы, а затем сравнила свои ответы с описанием модели. Каждому из 15 участников исследования дали по 400 одорантов, а также обучили использовать набор из 55 слов — от мятного до затхлого — для описания каждой молекулы.
«Наша уверенность в этой модели может быть настолько хорошей, насколько мы уверены в данных, которые мы использовали для ее проверки», — сказала соавтор Эмили Мэйхью, доктор философии, которая проводила это исследование, будучи докторантом Монелла. Сейчас она доцент Мичиганского государственного университета. Брайан К. Ли, доктор философии, Google Research, Brain Team, Кембридж, Массачусетс, также является соавтором.
Команда Monell предоставила участникам дискуссии разработанные в лаборатории наборы для определения запахов, чтобы научить их распознавать запахи и выбирать наиболее подходящие слова для описания их восприятия. Чтобы избежать ловушек прошлых исследований, таких как смешение участниками дискуссии понятий «затхлый», как влажный подвал, и «мускусный», как духи, учебные занятия и разработанные в лаборатории справочные наборы по запахам научили каждого участника дискуссии качеству запаха, связанному с каждым описательным термином.
Участников дискуссии попросили выбрать, какой из 55 дескрипторов применим, и оценить, в какой степени 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 охарактеризованного одоранта 2,3-dihydrobenzofuran-5-carboxaldehyde как очень порошкообразный (5) и несколько сладкий (3).
Контроль качества также важен при окончательном сравнении человеческого анализа с компьютерной моделью. Вот тут-то и приходит на помощь соавтор Джейн Паркер, доктор философии, профессор химии ароматов, Университет Рединга, Великобритания.
Ее команда проверила чистоту образцов, использованных для проверки предсказания модели. Во-первых, газовая хроматография позволила им отделить каждое соединение в образце, включая любые примеси. Затем Паркер и ее команда понюхали каждое отделенное соединение, чтобы определить, подавляет ли какая-либо примесь известный запах целевой молекулы.
«Мы нашли несколько образцов со значительными примесями среди 50 протестированных», — сказала Паркер. В одном случае примесь была получена от следов реагента, используемого при синтезе целевой молекулы, и придала образцу характерный маслянистый запах, который пересилил интересующий одорант. «В этом случае мы смогли объяснить, почему группа описала запах иначе, чем предсказание ИИ».
Лучше, чем человек?
Сравнивая производительность модели с производительностью отдельных участников исследования, модель достигла лучших прогнозов среднего значения оценок запаха группы, чем любой отдельный участник в исследовании, не считая примесей. В частности, модель показала лучшие результаты, чем средний участник дискуссии, для 53% протестированных молекул.
«Самый удивительный результат, однако, заключается в том, что модель преуспела в обонятельных задачах, которым она не была обучена», — сказал Мейнленд. «Откровением было то, что мы никогда не обучали ее изучать силу запаха, но, тем не менее, она мог делать точные прогнозы».
Модель смогла идентифицировать десятки пар структурно разнородных молекул, которые имели парадоксально похожие запахи, 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, 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 станет фундаментальным сдвигом в том, как ученые думают о запахах. Другими словами, запахи, которые близки друг к другу на карте или схожи по восприятию, также с большей вероятностью будут метаболически связаны. В настоящее время ученые, изучающие запахи, организуют молекулы так, как это делает химик, например, спрашивая, есть ли у этого вещества эфирное или ароматическое кольцо?
«Наш мозг не организует запахи таким образом», — сказал Мейнленд. «Вместо этого эта карта предполагает, что наш мозг может организовывать запахи в соответствии с питательными веществами, из которых они получены».