هوش مصنوعی گوگل موفق به توسعه نقشه بو از مولکول شد

گوگل AI یک مدل هوش مصنوعی  ایجاد کرده است که ساختار مولکول ها را با بوی آنها   به صورت نقشه بو مواد ترسیم می کند.

به گزارش تک ناک، این مدل می تواند به ایجاد طعم های خاص غذایی یا کشف ترکیباتی که ارگانیسم های ناقل بیماری را دفع می کنند، کمک کند.هوش مصنوعی گوگل نیز در مورد این پروژه  نقشه بو اینگونه توییت کرد:

“امروز ما یک نقشه بو ی حسی تولید شده توسط ML را معرفی می کنیم که هزاران مولکول و بوهای درک شده آنها را به هم مرتبط می کند و امکان پیش بینی بوها را از مولکول های نادیده را فراهم می کند و ابزاری بالقوه برای رسیدگی به مسائل بهداشت جهانی مانند بیماری های منتقله از حشرات ارائه می دهد. “

معروف‌ترین نمونه‌های این نقشه‌ های بو  مربوط به دید رنگی است، از جمله چرخه رنگ و تغییرات پیچیده‌تری که برای تثبیت رنگ در ویدوئو ها از آن استفاده می‌شود.
از آنجایی مساله بو موضوعی سخت است، نقشه‌های قابل استفاده برای درک بویایی وجود نداشتند. حتی اگر این نقشه‌ها برای قرن‌ها وجود می داشتند مولکول‌ها در مقایسه با فوتون‌ها از جهات مختلفی متفاوت هستند. از این رو، جمع آوری داده ها نیازمند نزدیکی بین بو و بو کننده است.
در سال 2019، هوش مصنوعی گوگل یک مدل شبکه عصبی گراف (GNN) را توسعه داد. این مدل هوش مصنوعی هزاران نمونه مولکول‌ متمایز جفت شده با برچسب‌های بویی که آنها را برمی‌انگیزد برای یادگیری رابطه بین ساختار یک مولکول و احتمال برچسب داشتن بو را بررسی کرد.

اکنون جوئل مینلند در دانشگاه پنسیلوانیا و همکارانش از جمله محققان گوگل از یک شبکه عصبی برای ایجاد نقشه ای استفاده کرده است که ساختار یک مولکول را به بویی که منتشر می کند مرتبط می کند و میزان نزدیکی مولکول ها از نظر بو را اندازه گیری می کند.
جوئل مینلند به نقل از New Scientist می‌گوید: «به نظر می‌رسد شبکه عصبی در حال یادگیری نوعی نمایش مولکول‌ها است که این نمایش بنیادی‌تر از آن چیزی است که ما انتظار داشتیم».

5000 مولکول از رایحه های مختلف

در مدل عصبی، بیش از 5000 مولکول از دو مجموعه داده عطر و طعم مختلف استفاده شد. مینلند و همکارانش با درخواست از از یک گروه 15 نفره، برای توصیف چگونگی بو کردن 320 ترکیب متمایز بر اساس ساختارشان و مقایسه آن با توصیف بویایی عملکرد سیستم را ارزیابی کردند.
علاوه بر این، در یک مطالعه جداگانه، همکاران مینلند از شبکه عصبی برای ایجاد نقشه ای استفاده کردند که ساختارهای مولکولی ترکیباتی را که پشه ها را دفع می کنند، ایجاد کردند تا درک کنند که چرا برخی بوها حشرات را دفع می کنند.
این به محققان اجازه داد تا مولکول هایی را شناسایی کنند که طبق این مدل هوش مصنوعی ، دافع پشه ها هستند و می توانند در مطالعات آینده آزمایش شوند.

جوئل مینلند نیز این موضوع را تصدیق می کند و می گوید کار آینده بر روی تولید مدل هایی متمرکز خواهد شد که می توانند به جای مولکول هایی را که مدل فعلی با آنها کار می کند، آنانتیومرها و مخلوط های پیچیده تری از مولکول ها را شناسایی کنند ترسیم ساختار مولکولی برای درک بو یک چالش کلیدی در بویایی است. در اینجا، ما از شبکه‌های عصبی نموداری (GNN) برای تولید یک نقشه بو اصلی (POM) استفاده می‌کنیم که روابط ادراکی را حفظ می‌کند و پیش‌بینی کیفیت بو را برای بوهای جدید ممکن می‌سازد.

این مدل در توصیف کیفیت بو به اندازه یک انسان قابل اعتماد است. در یک مجموعه اعتبارسنجی از 400 خوشبوکننده جدید، نمایه بوی تولید شده توسط مدل هوش مصنوعی با میانگین پانل آموزش دیده (15 نفر) بیشتر مطابقت داشت تا شرکت کننده میانه. با استفاده از تبدیل‌های ساده، قابل تفسیر و ریشه‌دار نظری، نقشه بو اصلی تولید شده توسط مدل هوش مصنوعی از مدل‌های شیمی‌انفورماتیک در چندین پروژه پیش‌بینی بوی دیگر بهتر عمل کرد، که نشان می‌دهد POM با موفقیت یک نقشه کلی از روابط “ساختاربو” را رمزگشایی کرده است.
این رویکرد به طور گسترده پیش بینی بو را امکان پذیر می کند و راه را برای دیجیتالی کردن بوها هموار می کند.