Blog

Dec 08, 2023

Ahora las máquinas están aprendiendo a oler

Sara Harrison Aplicación Predicción Compañía Alfabeto Google Investigación del usuario final

sara harrison

Solicitud

Predicción

Compañía

Alfabeto

Google

Usuario final

Investigación

Sector

Investigación

Tecnología

Aprendizaje automático

Red neuronal

Google tiene su propio perfume, o al menos un equipo de investigadores de la empresa lo tiene. Elaborada bajo la guía de expertos perfumistas franceses, la mezcla tiene notas de vainilla, jazmín, melón y fresas. "No estuvo nada mal", dice Alex Wiltschko, que guarda un frasco del perfume en su cocina.

Google no comercializará ese aroma en el corto plazo, pero está metiendo la nariz en otro aspecto de nuestras vidas: el olfato. El jueves, los investigadores de Google Brain publicaron un artículo en el sitio de preimpresión Arxiv que muestra cómo entrenaron un conjunto de algoritmos de aprendizaje automático para predecir el olor de las moléculas en función de sus estructuras. ¿Es esto tan útil como proporcionar mapas para la mayor parte del mundo? Tal vez no. Pero para el campo del olfato, podría ayudar a resolver algunas preguntas importantes y de larga data.

La ciencia del olfato va a la zaga de muchos otros campos. La luz, por ejemplo, ha sido entendida durante siglos. En el siglo XVII, Isaac Newton usó prismas para dividir la luz blanca del sol en nuestro ahora familiar arcoíris rojo, naranja, amarillo, verde, azul, índigo y violeta. Investigaciones posteriores revelaron que lo que percibimos como diferentes colores son en realidad diferentes longitudes de onda. Eche un vistazo a una rueda de colores y obtendrá una representación simple de cómo se comparan esas longitudes de onda, los rojos y amarillos más largos se transforman en azules y púrpuras más cortos. Pero el olfato no tiene tal guía.

Si las longitudes de onda son los componentes básicos de la luz, las moléculas son los componentes básicos de los aromas. Cuando entran en nuestras narices, esas moléculas interactúan con receptores que envían señales a una pequeña parte de nuestro cerebro llamada bulbo olfativo. De repente pensamos "¡mmm, palomitas de maíz!" Los científicos pueden observar una longitud de onda y saber qué color tendrá, pero no pueden hacer lo mismo con las moléculas y el olor.

De hecho, se ha demostrado que es extremadamente difícil descifrar el olor de una molécula a partir de su estructura química. Cambie o elimine un átomo o enlace, "y puede pasar de rosas a huevos podridos", dice Wiltschko, quien dirigió el equipo de investigación de Google para el proyecto.

Ha habido intentos anteriores de utilizar el aprendizaje automático para detectar patrones que hacen que una molécula huela a ajo y otra a jazmín. Los investigadores crearon un DREAM Olfaction Prediction Challenge en 2015. El proyecto obtuvo descripciones de aromas de cientos de personas, y los investigadores probaron diferentes algoritmos de aprendizaje automático para ver si podían entrenarlos para predecir cómo huelen las moléculas.

Varios otros equipos aplicaron IA a esos datos e hicieron predicciones exitosas. Pero el equipo de Wiltschko adoptó un enfoque diferente. Usaron algo llamado red neuronal gráfica, o GNN. La mayoría de los algoritmos de aprendizaje automático requieren que la información venga en una cuadrícula rectangular. Pero no toda la información cabe en ese formato. Los GNN pueden mirar gráficos, como redes de amigos en sitios de redes sociales o redes de citas académicas de revistas. Podrían usarse para predecir quiénes podrían ser tus próximos amigos en las redes sociales. En este caso, la GNN podría procesar la estructura de cada molécula y entender que en una molécula, un átomo de carbono estaba a cinco átomos de distancia de un átomo de nitrógeno, por ejemplo.

lauren goode

lauren goode

julian chokkattu

Will caballero

El equipo de Google utilizó un conjunto de casi 5000 moléculas de perfumistas que tienen narices expertas y comparó cuidadosamente cada molécula con descripciones como "madera", "jazmín" o "dulce". Los investigadores utilizaron aproximadamente dos tercios del conjunto de datos para entrenar la red y luego probaron si podía predecir los olores de las moléculas restantes. Funcionó.

De hecho, en su primera iteración, la GNN funcionó tan bien como los modelos que habían creado otros grupos. Wiltschko dice que a medida que el equipo refina el modelo, podría mejorar aún más: "Creo que hemos empujado el campo hacia adelante".

Como cualquier herramienta de aprendizaje automático, la GNN de Google está limitada por la calidad de los datos. Sin embargo, Alexei Koulakov, investigador del Laboratorio Cold Spring Harbor, dice que el proyecto es valioso para introducir miles de nuevas moléculas en los conjuntos de datos de olores, que a menudo son relativamente pequeños, y que estos datos "podrían ser la base para mejorar este y otros algoritmos en el futuro". Koulakov señala que no está claro si podemos aprender algo sobre el olfato humano a partir de un modelo de aprendizaje automático, ya que el diseño de la red neuronal no es lo mismo que un sistema olfativo humano.

Cómo la IA entiende el olor y cómo lo percibimos podrían ser dos cosas muy diferentes. Dos moléculas pueden oler de manera diferente, pero incluso las narices entrenadas las etiquetarán como "madera" o "terroso". "Es una gran advertencia", dice Wiltschko.

También admite que la GNN falla en un área clave: los llamados pares quirales, que tienen los mismos átomos y enlaces, pero dispuestos como imágenes especulares entre sí. Las diferentes orientaciones significan que huelen radicalmente diferente. La alcaravea y la menta verde son un ejemplo. Pero la GNN los clasificará igual. "Sabemos que tenemos pares quirales en nuestro conjunto de datos y sabemos que no podemos predecirlos correctamente", dice Wiltschko. El próximo paso será descubrir cómo manejar eso.

Además, esta investigación no nos dice mucho sobre las mezclas o combinaciones de aromas, que pueden alterar radicalmente la forma en que percibimos las moléculas individuales. Pero descubrir qué propiedades o patrones llevan a las moléculas a oler de cierta manera sería un gran avance para el campo. "Si pudiéramos hacer esto, creo que sería una hazaña bastante increíble", dice Johannes Reisert, investigador de olores en el Centro de Sentidos Químicos Monell. Eventualmente, podríamos crear una especie de rueda de color para el olfato, mapeando qué moléculas están más juntas y cuáles están relacionadas. Reisert reconoce que el proyecto de Google aún es un trabajo en progreso, pero que es "un paso en una dirección hacia adelante".