La carte des odeurs générée par un réseau neuronal relie les odeurs à leur structure chimique

La carte des odeurs générée par un réseau neuronal relie les odeurs à leur structure chimique

Une carte basée sur des données a été formulée pour modéliser le lien entre la structure chimique d’un odorant et son odeur. Les chercheurs espèrent que cet outil ouvrira la voie à la possibilité, à terme, de stocker les odeurs sous forme numérique, comme cela est possible avec les images et le son.

Contrairement à la vue et à l’ouïe, il n’existe pas de méthode universellement acceptée pour quantifier et catégoriser la façon dont nous ressentons les odeurs. Bien que plusieurs systèmes de classification aient été proposés, aucun n’a été largement accepté.

Pour tenter de remédier à ce problème, les chercheurs ont construit un type spécifique de réseau neuronal graphique, appelé réseau neuronal de transmission de messages, pour générer une carte des odeurs principales (POM) reliant les structures chimiques à leur odeur.

Sur la carte, chaque molécule était représentée sous forme de graphique, chaque atome étant décrit par un certain nombre de critères tels que sa valence, son hybridation et son numéro atomique, et chaque liaison décrite par son nombre de voisins, son spice et sa présence ou non dans un anneau. .

Pour tester si le modèle s’étendait à de nouveaux odorants, les chercheurs ont dressé une liste de substances odorantes potentielles dont les propriétés empiriques sont actuellement inconnues de la science ou de l’industrie – dont la plupart n’ont jamais été synthétisées auparavant – et les ont tracées dans le POM pour avoir une idée de comment ils pourraient sentir. Ils ont ensuite testé l’efficacité du POM sur ces odorants contre des humains spécifiquement entraînés au préalable.

«Nous voulions effectuer une validation prospective», explique Joel Mainland, neuroscientifique olfactif au Monell Chemical Senses Center de Philadelphie, aux États-Unis et l’un des auteurs de l’étude. «Nous avons sélectionné 400 molécules dans une bibliothèque de criblage de médicaments, dont la plupart n’avaient jamais été senties auparavant… Ensuite, nous avons demandé à un panel de sujets humains de les sentir et de les évaluer, puis nous avons demandé au modèle informatique de prédire leur odeur.»

Les chercheurs ont découvert que le modèle était aussi fiable que le panéliste humain médian pour décrire la qualité des odeurs et surpassait les modèles chimio-informatiques sur plusieurs autres tâches de prédiction des odeurs. Le modèle a donné de meilleurs résultats pour les étiquettes telles que « ail » et « poisson » qui ont des déterminants structurels clairs (des fragments contenant du soufre et des amines, respectivement) et les pires pour des étiquettes comme « musc » qui incluent au moins cinq classes structurelles distinctes (macrocycliques, polycycliques). , nitro, de type stéroïde et à chaîne droite).

L’objectif ultime des chercheurs est de pouvoir numériser les odeurs, de la même manière que les images et les sons peuvent être numérisés puis stockés dans une archive. «Il existe de nombreuses applications pour numériser les odeurs», explique Mainland. «(Par exemple) la majeure partie de l’industrie du parfum a cessé de fabriquer de nouvelles molécules, parce que… il faut de nombreux tests de sécurité pour prendre une nouvelle molécule et la mettre en production.» Et donc, ce que (la numérisation) vous permet de faire, c’est de trouver de nombreuses molécules différentes qui ont le percept que vous souhaitez et de déterminer lesquelles sont les meilleures en termes de coût, de performances et de sécurité.

L’équipe étudie désormais également les mélanges d’odeurs, ainsi que les molécules uniques, pour permettre de prédire quelles odeurs résulteront du mélange de composants spécifiques.

« Vous pourriez, par exemple, créer des odeurs primaires de la même manière que nous avions des couleurs primaires et comprendre comment faire des mélanges », ajoute Mainland.

Kobi Snitz, statisticien en imagerie cérébrale basé à l’Institut des sciences Weizmann en Israël, décrit l’étude comme une « contribution importante à un problème fondamental de l’olfaction ». «Les auteurs ont appliqué un modèle de réseau neuronal avancé à ce problème complexe et ont obtenu un résultat marquant.» Une représentation basée sur les données de l’espace des substances odorantes qui est informative dans tous les ensembles de données et dans toutes les tâches de modélisation », dit-il.

« Ce travail représente une étape importante dans les efforts visant à paramétrer l’espace des odeurs de la même manière que l’audition et la vision sont paramétrées. »

A lire également