A diferència de la vista o l’oïda, en què determinades propietats físiques es poden mesurar mitjançant longituds d’ona de la llum o freqüències del so, el sentit de l’olfacte ha estat històricament difícil de modelar. Predir com farà olor una substància basant-se únicament en la seva estructura química continua sent un problema complex. Dues molècules amb estructures molt semblants poden generar perfils olfactius molt diferents, mentre que molècules estructuralment diferents poden compartir descriptors aromàtics. Aquestes discontinuïtats han limitat els enfocaments tradicionals de la quimioinformàtica, que no sempre aconsegueixen captar la complexitat de la percepció humana.
Per abordar aquest desafiament, un equip multidisciplinari d’investigadors va recórrer a les xarxes neuronals de grafs —GNN, per les sigles en anglès—. Aquest enfocament d’intel·ligència artificial representa les molècules com a xarxes interconnectades d’àtoms i enllaços, en lloc de tractar-les únicament com a llistes de propietats químiques, i aprèn patrons estructurals relacionats amb els seus descriptors olfactius. Tanmateix, processar l’estructura no era suficient; també calia relacionar aquestes dades amb percepcions sensorials. Aquí entra en joc el Mapa Principal d’Olors —POM, per les sigles en anglès—. En el model publicat, el POM correspon a una representació vectorial de 256 dimensions obtinguda en la penúltima capa de la GNN. Les molècules es distribueixen en aquest espai de manera que la proximitat entre les seves representacions intenta reflectir la semblança dels seus perfils olfactius. En un assaig amb 323 molècules avaluables, 55 descriptors i 15 panelistes, el model es va acostar més a la mitjana del panell que l’avaluador mitjà en el 53% de les molècules. Aquest resultat es limita a aquestes condicions experimentals i no implica que el model reprodueixi de manera general l’olfacte humà.
Com funcionen les xarxes neuronals de grafs. Entendre l’estructura molecular des d’una nova perspectiva
Per entendre com una intel·ligència artificial pot anticipar que una molècula serà descrita, per exemple, com a floral o cítrica, cal conèixer una eina anomenada Xarxa Neuronal de Grafs o GNN. La IA no olora com una persona: analitza la molècula com si fos un mapa, en què els àtoms són punts i els enllaços químics són les línies que els connecten. A partir d’aquest mapa, aprèn patrons que relacionen determinades estructures moleculars amb certs descriptors d’olor.
Les GNN permeten treballar directament amb cada molècula com un «graf»: una xarxa matemàtica en què els àtoms són nodes i els enllaços químics són les arestes que els uneixen. Aquest model permet a la xarxa neuronal processar la topologia molecular i combinar informació sobre àtoms i enllaços de manera estructurada, aprenent patrons associats amb subestructures rellevants per a la propietat que es vol predir. Això no significa que la xarxa determini automàticament la influència causal de cada grup funcional.
Durant l’entrenament, la GNN analitza molècules la descripció olfactiva de les quals ja es coneix i aprèn a crear per a cadascuna una mena de «fitxa numèrica». El repte és que la relació entre estructura i olor no sempre és directa: dues molècules molt semblants poden tenir aromes molt diferents, mentre que d’altres amb estructures diferents poden compartir una mateixa nota olfactiva. És com si dues claus gairebé idèntiques obrissin portes diferents i dues claus d’aspecte diferent obrissin la mateixa porta. En el model desenvolupat per Brian K. Lee i els seus col·laboradors —que van publicar el 2023 l’article A principal odor map unifies diverse tasks in olfactory perception a la revista Science—, cada fitxa conté 256 valors i situa la molècula dins d’un espai matemàtic anomenat Mapa Principal d’Olors o POM.
El Mapa Principal d’Olors (POM). Traduir àtoms en sensacions navegables
El Mapa Principal d’Olors (POM, per les sigles en anglès) no és una segona tecnologia afegida a la GNN, sinó la representació interna que aquesta aprèn en el model desenvolupat pels investigadors. Si la GNN és el motor que analitza l’estructura química, el POM és el mapa de navegació que organitza les relacions entre els perfils olfactius descrits per persones. En aquest espai vectorial de 256 dimensions, cada molècula rep unes coordenades calculades a partir de la seva estructura. Durant l’entrenament, aquesta organització s’aprèn amb l’ajuda de descriptors com «afruitat», «amaderat» o «mentolat».
La GNN s’entrena per predir aquests descriptors olfactius. Com a resultat, la representació interna tendeix a situar a prop les molècules amb perfils descriptius similars, fins i tot quan les seves estructures químiques són diferents. Aquesta proximitat indica una semblança prevista pel model, però no garanteix que totes les persones percebin les molècules de la mateixa manera ni en qualsevol concentració o context. Aquesta representació amplia les possibilitats de la disciplina. Pot ajudar a predir descriptors per a molècules no incloses en l’entrenament i a prioritzar candidats per estudiar-los posteriorment com a possibles components de fragàncies. No substitueix l’avaluació experimental ni reprodueix tota la complexitat de l’olor, però ofereix un pont quantitatiu entre l’estructura química i determinats aspectes de la percepció olfactiva humana.
Validació davant de panells humans. Comparar la IA amb la percepció humana
Per comprovar la fiabilitat del model i del POM, un equip internacional d’investigadors —amb experts de Google Research, el Monell Chemical Senses Center i la Universitat de Reading— va provar 400 molècules que no formaven part del conjunt d’entrenament; després de les exclusions per control de qualitat, 323 van quedar incloses en l’anàlisi principal. L’objectiu era avaluar si el sistema podia predir els seus perfils olfactius.
El model es va entrenar amb aproximadament 5.000 molècules etiquetades i es va avaluar a cegues davant d’un panell de 15 persones entrenades, que van qualificar cada substància mitjançant 55 descriptors olfactius. En una selecció dirigida de 50 compostos es van utilitzar cromatografia de gasos-espectrometria de masses i cromatografia de gasos-olfactometria per determinar si les impureses podien distorsionar l’olor percebuda.
En el 53% de les 323 molècules avaluables, el perfil del model es va acostar més a la mitjana del panell que el del panelista mitjà. En una prova amb 41 «trios discordants» —casos en què la molècula estructuralment més semblant no era la més similar en termes olfactius—, el sistema va encertar en el 50% dels casos, davant del 19% d’un model de referència basat en empremtes moleculars i bosc aleatori; tot i això, no va ser infal·lible.
Aplicacions en perfumeria, alimentació i salut
Les implicacions d’aquesta tecnologia podrien anar més enllà del laboratori. En permetre el cribratge virtual de grans conjunts de molècules, el mapa d’olors ofereix una via perquè sectors com la perfumeria, la cosmètica i l’alimentació prioritzin nous candidats aromàtics abans de sintetitzar-los o assajar-los. La seva sostenibilitat, biodegradabilitat i potencial al·lergogen s’han d’avaluar per separat mitjançant mètodes computacionals i, quan correspongui, proves experimentals específiques.
En la recerca sobre el control de vectors, una línia relacionada —basada també en GNN, però entrenada específicament amb prop de 19.000 mesuraments històrics de repel·lència— va identificar més de deu molècules amb resultats comparables o superiors als repel·lents de referència en determinats assajos de laboratori. No és una aplicació directa del POM, però mostra el potencial d’aquestes tècniques per accelerar la cerca de compostos contra mosquits i paparres. Aquests resultats encara no demostren la seva eficàcia en condicions de camp, la seva seguretat ni la seva viabilitat comercial.
En el context europeu, on la regulació REACH estableix requisits per a l’avaluació i gestió dels riscos químics, les eines predictives podrien facilitar la cerca i priorització d’alternatives amb les propietats sensorials desitjades. Tanmateix, les seves prediccions no garanteixen el compliment normatiu: la toxicitat, l’estabilitat i l’impacte ambiental s’han d’avaluar mitjançant els mètodes computacionals o experimentals adequats. Grups de recerca i empreses tecnològiques com Osmo ja exploren aquest camp del disseny molecular assistit per intel·ligència artificial.
Cap a una nova era sensorial digital
Les xarxes neuronals de grafs i el Mapa Principal d’Olors representen un avenç rellevant: ofereixen una manera útil de relacionar l’estructura d’una molècula amb descriptors olfactius. Tanmateix, el POM original del 2023 no equival als sistemes de representació del color o el so, perquè l’olfacte no s’organitza al voltant d’una única dimensió física universal i aquest model no incorpora explícitament la concentració ni va ser dissenyat per predir el comportament de les mescles. El seu valor rau a proporcionar als científics i a les indústries una eina predictiva que complementa, però no substitueix, l’avaluació sensorial humana.
L’impacte d’aquest avenç es podria traduir en una priorització més eficient de candidats i, si els resultats es validen experimentalment, en processos de formulació més ràpids i noves vies per desenvolupar productes. Tècniques relacionades, entrenades específicament amb dades de repel·lència, també han identificat candidats prometedors per a la protecció davant de mosquits i paparres, tot i que encara cal avaluar-ne la seguretat i l’eficàcia en condicions reals.
A mesura que aquests models s’ampliïn amb noves dades i col·laboracions interdisciplinàries, la comunitat científica i el sector industrial podran explorar aquest univers digital amb més rigor. L’objectiu serà desenvolupar eines i productes més eficients, sense perdre de vista que qualsevol predicció haurà de confirmar-se mitjançant proves experimentals.
