‘Nariz’ con inteligencia artificial predice olores a partir de estructuras moleculares

Científicos han creado una herramienta para predecir el perfil de olor de una molécula, basándose únicamente en su estructura.

Puede identificar moléculas que lucen diferentes pero huelen igual, así como moléculas que lucen muy similares pero huelen totalmente diferente.

La profesora Jane Parker, de la Universidad de Reading, afirmó:

“La investigación de la visión tiene longitud de onda, la investigación de la audición tiene frecuencia; ambas pueden medirse y evaluarse mediante instrumentos.

Pero ¿qué pasa con el olfato? Actualmente no tenemos una manera de medir o predecir con precisión el olor de una molécula, en función de su estructura molecular.

“Se puede llegar muy lejos con el conocimiento actual de la estructura molecular, pero eventualmente nos enfrentamos a numerosas excepciones en las que el olor y la estructura no coinciden.

Esto es lo que ha dejado perplejos a los modelos anteriores de olfato. Lo fantástico de este nuevo modelo generado por ML es que predice correctamente el olor de esas excepciones”.

La investigación aplicó el aprendizaje automático para crear un mapa de olores que será invaluable en el trabajo de los químicos sintéticos en las industrias de alimentos y fragancias.

También puede abrir vías para la producción de sabores y fragancias más sostenibles.

El profesor Parker dijo: “Como químico de sabores, he trabajado con el olfato durante muchos años, confiando principalmente en mi propia nariz para describir los aromas.

“El mapa no sólo funciona para olores conocidos y aquellos que son estructuralmente muy similares.

Puede describir un amplio subconjunto de moléculas no relacionadas con diferentes características moleculares.

“Para los investigadores de alimentos y fragancias, esto abre una fuente sin explotar de miles, o posiblemente millones, de olores potenciales“.

El profesor Parker trabajó con colegas del Monell Chemical Senses Center de la Universidad de Pensilvania, la Universidad Estatal de Arizona y Osmo, una empresa que surgió del laboratorio de aprendizaje automático de Google.

El papel de la Universidad de Reading era evaluar la pureza de las muestras utilizadas para probar la IA.

Verificamos la pureza de los compuestos utilizados para probar la predicción del modelo de IA.

La cromatografía de gases nos permitió separar los niveles traza de impurezas y la molécula objetivo, de modo que, a medida que eluían uno por uno del instrumento, podíamos oler todas las moléculas individuales y determinar si el olor de alguno de los compuestos traza era abrumador ( o enmascarar) el olor de la molécula objetivo.

“Encontramos algunas muestras con impurezas importantes, entre las 50 analizadas.

En un caso, la impureza que podíamos oler eran trazas del reactivo utilizado en la síntesis de la molécula objetivo y le dio a la muestra un olor mantecoso distintivo que superó el olor que realmente nos interesaba.

En este caso pudimos explicar por qué “El panel había descrito el olor como mantecoso, pero esto no encajaba con la predicción del modelo, mientras que nuestro descriptor del compuesto puro sí lo hacía”.

Una vez que a la IA se le enseñaron los datos, su capacidad para predecir el olor de un nuevo compuesto fue excelente.

Si funciona correctamente, debería coincidir con las puntuaciones olfativas promedio de un panel de humanos, y así fue.

El Dr. Parker dijo:

“Como herramienta para la química sintética, esto será invaluable.

Podemos utilizarlo para buscar nuevos aromas.

Abre la posibilidad de examinar un gran número de moléculas en busca de aroma, tal como lo hace la industria farmacéutica con los nuevos medicamentos”.

Fuente: Rexmolon