Ein Forschungsteam des Monell Chemical Senses Center und des Start-ups Osmo, das aus Google DeepMind hervorgegangen ist, hat ein maschinelles Lernmodell entwickelt, das den Geruch von Chemikalien beschreiben kann. Das Modell wurde mit einem Datensatz von 5.000 bekannten Geruchsstoffen und ihren molekularen Strukturen trainiert. Die Forscher führten eine blinde Validierungsprozedur mit einer Gruppe geschulter Teilnehmer durch, um ihre Beschreibungen neuer Moleküle mit den Vorhersagen des Modells zu vergleichen. Das Modell erzielte bessere Ergebnisse als individuelle Teilnehmer für 53% der getesteten Moleküle. Die Forscher hoffen, dass dieses Modell das Verständnis davon, wie Gehirn und Nase zusammenarbeiten, vorantreiben kann, und dass es Anwendungen in verschiedenen Bereichen, wie der Parfüm- und Geschmacksindustrie, haben könnte. Das Modell identifizierte außerdem Paare von strukturell verschiedenen Molekülen mit ähnlichem Geruch und charakterisierte Geruchseigenschaften von 500.000 potenziellen Duftmolekülen. Das Team schlägt vor, dass die Modellkarte basierend auf dem Stoffwechsel organisiert sein könnte und dass Gerüche, die nahe beieinander auf der Karte liegen, wahrscheinlich metabolisch verwandt sind.
Einführung
Dieser Artikel behandelt die Entwicklung eines Machine-Learning-Modells zur Beschreibung von Gerüchen chemischer Stoffe. Das Modell wurde von einem Forschungsteam des Monell Chemical Senses Center und Osmo, einem Start-up, das aus Google DeepMind hervorgegangen ist, entwickelt. Es wurde mit einem Datensatz von 5.000 bekannten Geruchsstoffen und ihren molekularen Strukturen trainiert.
Training und Validierung
Das Forschungsteam führte ein blindes Validierungsverfahren durch, um die Genauigkeit des Modells zu testen. Ein Gremium aus geschulten Teilnehmern beschrieb neue Moleküle, und ihre Beschreibungen wurden mit den Vorhersagen des Modells verglichen. Das Modell erzielte bessere Ergebnisse als einzelne Teilnehmer für 53% der getesteten Moleküle.
Vorteile des Modells
Die Entwicklung dieses Machine-Learning-Modells bietet mehrere potenzielle Vorteile:
- Vorantreiben des Verständnisses dafür, wie Gehirn und Nase zusammenarbeiten
- Potentielle Anwendungen in der Duft- und Geschmacksindustrie
- Identifizierung strukturell unterschiedlicher Moleküle mit ähnlichen Gerüchen
- Charakterisierung von Gerucheigenschaften für 500.000 potentielle Duftmoleküle
Auswirkungen auf die Gehirn- und Riechforschung
Die Entwicklung dieses Modells kann zum Verständnis der Interaktion zwischen Gehirn und Nase beitragen. Durch die präzise Vorhersage der Gerüche verschiedener Moleküle können Forscher Einblicke gewinnen, wie das Gehirn Geruchsinformationen verarbeitet.
Anwendungen in der Duft- und Geschmacksindustrie
Die Fähigkeit, den Geruch von chemischen Stoffen zu beschreiben, kann erhebliche Auswirkungen auf die Duft- und Geschmacksindustrie haben. Unternehmen können mithilfe des Machine-Learning-Modells effizienter neue Düfte und Geschmacksrichtungen entwickeln. Es kann auch bei der Qualitätskontrolle helfen, indem sichergestellt wird, dass der Duft oder Geschmack eines Produkts der beabsichtigten Beschreibung entspricht.
Kartierung der Gerucheigenschaften
Neben der Vorhersage von Gerüchen identifizierte das Modell auch Paare von strukturell unterschiedlichen Molekülen mit ähnlichen Gerüchen und charakterisierte Gerucheigenschaften für 500.000 potentielle Duftmoleküle.
Organisation der Modellkarte
Die Forscher schlagen vor, die Modellkarte nach dem Stoffwechsel zu organisieren. Das bedeutet, dass Düfte, die auf der Karte nah beieinander liegen, wahrscheinlich metabolisch verwandt sind. Diese Organisation kann Einblicke in die Ähnlichkeiten und Unterschiede zwischen verschiedenen Gerüchen bieten.
Potentielle Anwendungen der Kartierung
Die von dem Machine-Learning-Modell erstellte Karte eröffnet mehrere potenzielle Anwendungen:
- Identifizierung ähnlicher Düfte für die Produktentwicklung
- Entdeckung neuer Duftkombinationen
- Verständnis der Beziehungen zwischen Geruchsstoffen
- Auffinden von Alternativen zu teuren oder seltenen Duftmolekülen
Fazit
Die Entwicklung eines Machine-Learning-Modells, das den Geruch von chemischen Stoffen beschreiben kann, hat das Potenzial, verschiedene Branchen zu revolutionieren. Mit seinen präzisen Vorhersagen und Kartierungsfunktionen kann dieses Modell das Verständnis dafür, wie Gehirn und Nase zusammenarbeiten, vorantreiben und neue Möglichkeiten in der Duft- und Geschmacksentwicklung erschließen.
