اطلاعات مربوط به روابط حسی در مورد بویایی، محققان را برای مدت طولانی گیج کرده است وسوالات بی شماری را برای آنها ایجاد کرده است.
به گزارش تکناک، انسان ها به خاطر پروتئین های موجود در بینی به نام گیرنده های بو است که بوی گل ها را مطبوع و بوی غذای فاسد شده را آزاردهنده می دانند. با این حال، در مورد چگونگی جذب مواد شیمیایی و تبدیل آنها به رایحه توسط این گیرنده ها، اطلاعات کمی وجود دارد.
برای درک این پدیده، محققان مرکز حواس شیمیایی مونل و استارتآپ Osmo مستقر در کمبریج ماساچوست با استفاده از ابتکار یادگیری ماشینی، رابطه بین سیستم ادراک بویایی مغز و مواد شیمیایی موجود در هوا را بررسی کرد.
این مطالعه منجر به این شد که دانشمندان یک مدل یادگیری ماشینی ابداع کردند که اکنون می تواند تجزیه و تحلیل بوها را با مهارت در سطح انسانی به صورت شفاهی توصیف کند. جزئیات مربوط به مطالعه آنها در مجله Science منتشر شده است.
تلاش گسترده
حدود ۴۰۰ گیرنده بویایی فعال در انسان وجود دارد. این پروتئین های عصب بویایی با مواد شیمیایی موجود در هوا ارتباط برقرار می کنند تا سیگنالی را به صورت الکتریکی به پیاز بویایی ارسال کنند. به گفته این تیم، تعداد گیرندههای بویایی بسیار بیشتر از چهار گیرندهای است که برای بینایی رنگ ها یا ۴۰ گیرنده که برای چشایی استفاده میشود.
جوئل مینلند، یکی از نویسندگان ارشد و عضو مرکز مونل، در بیانیهای گفت: با این حال، در تجزیه و تحلیل بوها ، این سوال که چه ویژگیهای فیزیکی باعث میشود مولکولهای موجود در هوا توسط گیرنده های بویایی و مغز تشخیص داده شوند، یک معما باقی مانده است. این تیم برای درک رابطه بین شکل مولکول ها و نحوه تشخیص بو مطالعاتی را انجام داد.
تیم تحقیقاتی مدلی را ایجاد کرد که میتوانست یاد بگیرد بین توصیف شکل ملکول های بو و ساختار ملکولی بو ارتباط برقرار کند. نقشه ای که از این فعل و انفعالات حاصل می شود، عموماً شامل دسته هایی از بوها با رایحه های مشابه به هم است، مانند شیرینی گلی و شیرینی آب نبات.
از یک مجموعه داده تجاری حاوی ترکیب مولکولی و ویژگی های بویایی 5،000 ماده خوشبو کننده شناخته شده برای آموزش دستگاه استفاده شد. شکل یک مولکول به عنوان ورودی برای الگوریتم عمل میکند، که پیشبینی میکند کدام واژه بهتر می تواند نوع رایحه را توصیف کند.
علاوه بر این، برای اطمینان از کارایی مدل، محققان در مونل یک روش اعتبارسنجی انجام دادند که در آن گروهی از شرکتکنندگان آموزشدیده مولکولهای جدید را توصیف کردند، سپس پاسخهای آنها با توضیحات مدل مقایسه شد. به پانزده شرکت کننده هر کدام ۴۰۰ ماده خوشبو کننده داده شد و آموزش داده شد تا از مجموعه ای متشکل از ۵۵ کلمه از نعناع تا کپک برای توصیف هر مولکول استفاده کنند.
نتایج چشمگیر
مدل هوش مصنوعی از نظر ۵۳ درصد از ترکیبات مورد بررسی در این تحقیق، از هر یک از اعضای پانل بهتر بود. این مدل همچنین در وظایف بویایی که برای انجام آنها آموزش ندیده بود موفق شد. مینلند گفت: بهترین قسمت این بود که ما هرگز الگوریم را برای یادگیری شدت بو آموزش ندادیم، اما با این وجود می توانست پیش بینی های دقیقی انجام دهد.
این برنامه توانست طیف وسیعی از ویژگیهای بو، از جمله شدت بو را برای ۵۰۰۰۰۰ مولکول رایحه ممکن اندازهگیری کند و صدها جفت از ترکیبات ساختاری متفاوت را پیدا کند که بوهای مشابهی داشتند. مینلند گفت: ما امیدواریم که این نقشه برای محققان شیمی، علوم اعصاب بویایی و روان شناسی به عنوان ابزاری جدید برای بررسی ماهیت حس بویایی مفید باشد.
تیم فرض می کند که نقشه مدل ممکن است بر اساس متابولیسم تنظیم شود، که نشان دهنده تغییر قابل توجهی در نحوه دیدن رایحه ها توسط دانشمندان است. به عبارت دیگر، بوهایی که از نظر ادراکی شبیه به یکدیگر یا در نزدیکی نقشه هستند، احتمالاً مسیر متابولیکی یکسانی دارند. در حال حاضر، دانشمندان حواس پنجگانه ترکیبات را مانند شیمیدانان طبقه بندی می کنند، برای مثال، با پرسیدن اینکه آیا یک مولکول دارای یک استر یا یک حلقه معطر است.
به گفته محققان، این مطالعه به جهان دیجیتالی کردن بوها برای ثبت و بازتولید کمک می کند. همچنین ممکن است بوهای جدیدی را برای صنعت عطر و طعم شناسایی کند که نه تنها می تواند وابستگی به گیاهان در معرض خطر انقراض طبیعی را کاهش دهد، بلکه رایحه های کاربردی جدید را برای استفاده هایی مانند دافع پشه یا از بین بردن بوی بد شناسایی می کند.
بعد از این نتایج تیم تحقیقاتی چه خواهد کرد؟ آنها احتمالا” خواهند فهمید چگونه بوها با یکدیگر ترکیب می شوند و با یکدیگر رقابت می کنند تا عطری تولید شود که مغز انسان آن را به عنوان رایحه ای کاملاً متمایز از هر بوی خوش دیگری درک کند.