Un aspect fondamental des neurosciences consiste à apprendre comment les sens traduisent la lumière pour la vue, le son pour l’ouïe, la nourriture pour le goût et la texture pour le toucher. Cependant, c’est dans l’odorat que ces relations sensorielles deviennent les plus complexes et les plus déroutantes. Pour répondre à cette question, une équipe de scientifiques étudie la manière dont les produits chimiques présents dans l’air se lient aux odeurs et quelle perception se produit dans le cerveau.
À cette fin, ils ont découvert qu’un modèle d’apprentissage automatique permettait d’atteindre une compétence de niveau humain pour décrire, avec des mots, l’odeur des produits chimiques. "Il comble des lacunes de longue date dans la compréhension scientifique de l'odorat", a déclaré le co-auteur principal Joel Mainland , membre du Monell Center.
Co-dirigé par le Monell Chemical Senses Center et la nouvelle société Osmo , basée à Cambridge, Massachusetts (États-Unis), cette recherche sur l'apprentissage automatique a été menée chez Google Research et publiée dans Sciences . « Cette collaboration rapproche le monde de la numérisation des odeurs, l'objectif est de les enregistrer et de les reproduire. De plus, ce modèle peut identifier de nouveaux parfums pour l'industrie du parfum qui pourraient non seulement réduire la dépendance à l'égard des plantes naturelles menacées, mais également identifier de nouveaux parfums fonctionnels pour des utilisations telles que les répulsifs contre les moustiques ou le masquage des odeurs.
Les humains possèdent environ 400 récepteurs olfactifs fonctionnels , des protéines situées à l'extrémité des nerfs olfactifs qui se connectent aux molécules de l'air pour transmettre un signal électrique au bulbe olfactif. Leur nombre est bien supérieur à celui utilisé pour la vision des couleurs (quatre) ou même le goût (environ 40).
"Cependant, dans la recherche sur l'olfaction, la question de savoir quelles propriétés physiques donnent à une molécule présente dans l'air l'odeur qu'elle dégage dans le cerveau reste une énigme", a déclaré Mainland. Mais si un ordinateur peut discerner la relation entre la façon dont les molécules se forment et la manière dont nous percevons finalement leurs odeurs, les scientifiques pourraient utiliser ces connaissances pour mieux comprendre comment notre cerveau et notre nez fonctionnent ensemble. »
Pour résoudre ce problème, Alex Wiltschko , PDG d'Osmo , et son équipe ont créé un modèle qui a appris à faire correspondre les descriptions prosaïques de l'odeur d'une molécule avec sa structure moléculaire. La carte résultant de ces interactions est essentiellement constituée de regroupements d'odeurs avec des odeurs similaires, comme le sucré floral et le sucré caramel. "Les ordinateurs ont pu numériser la vision et l'ouïe, mais pas l'odorat, notre sens le plus profond et le plus ancien", explique le spécialiste. "Cette étude propose et valide une nouvelle carte de l'olfaction humaine basée sur des données, qui relie la structure chimique à la perception des odeurs."
Identifier les odeurs
Le modèle a été formé à l'aide d'un ensemble de données industrielles comprenant les structures moléculaires et les qualités de 5 000 substances odorantes connues . Les données d’entrée sont la forme d’une molécule et la sortie est une prédiction des mots olfactifs décrivant le mieux son odeur.
Pour tester l'efficacité du modèle, les chercheurs de Monell ont mené une procédure de validation aveugle au cours de laquelle un panel de participants à la recherche formés ont décrit de nouvelles molécules et ont ensuite comparé leurs réponses à la description du modèle. Les 15 panélistes ont reçu chacun 400 substances odorantes et ont été formés à utiliser un ensemble de 55 mots, de la menthe au moisi, pour décrire chaque molécule. "Notre confiance dans ce modèle ne peut être aussi bonne que notre confiance dans les données que nous utilisons pour le tester", a déclaré la co-auteure Emily Mayhew, PhD , qui a mené cette recherche alors qu'elle était postdoctorale à Monell.
L'équipe a fourni aux panélistes des kits de référence sur les odeurs conçus en laboratoire pour leur apprendre à reconnaître les odeurs et à sélectionner les mots les plus appropriés pour décrire leur perception. Pour éviter les pièges des études précédentes, comme la confusion des panélistes entre « moisi », comme un sous-sol humide, et « musqué », comme un parfum, les sessions de formation et les kits de référence sur les odeurs conçus en laboratoire ont enseigné à chaque panéliste la qualité de l'odeur associée à chaque terme descriptif.
Les panélistes ont été invités à sélectionner lequel des 55 descripteurs s'appliquait et à évaluer dans quelle mesure le terme s'appliquait le mieux à l'odeur sur une échelle de 1 à 5 pour chacune des 400 odeurs.
Le contrôle de la qualité est également important lors de la comparaison finale des trackers humains avec le modèle informatique. C'est là qu'intervient la co-auteure Jane Parker , professeur de chimie des arômes à l'Université de Reading , au Royaume-Uni. "Je travaille avec l'odorat depuis de nombreuses années, en m'appuyant principalement sur mon propre nez pour décrire les arômes", a-t-il déclaré.
Son équipe a vérifié la pureté des échantillons utilisés pour tester les prédictions du modèle. Premièrement, la chromatographie en phase gazeuse leur a permis de séparer chaque composé d’un échantillon, y compris les impuretés. Ensuite, Parker et son équipe ont senti chaque composé distinct pour déterminer si des impuretés supplantaient l'odeur connue de la molécule cible. "Nous avons trouvé quelques échantillons comportant des impuretés importantes, parmi les 50 analysés", a précisé l'expert. Dans un cas, l’impureté provenait de traces d’un réactif utilisé dans la synthèse de la molécule cible et donnait à l’échantillon une odeur de beurre distinctive qui dépassait l’odeur d’intérêt. Dans ce cas , nous avons pu expliquer pourquoi le panel avait décrit l'odeur différemment de la prédiction de l'IA .
En comparant les performances du modèle à celles de panélistes individuels, le modèle a fait de meilleures prédictions des notes moyennes d'odeur du groupe que n'importe quel panéliste individuel de l'étude, impuretés mises à part. Plus précisément, le modèle a obtenu de meilleurs résultats que la moyenne des panélistes sur 53 % des molécules testées . "Cependant, le résultat le plus surprenant est que le modèle a réussi des tâches olfactives pour lesquelles il n'était pas formé", a ajouté Mainland. "Ce qui nous a ouvert les yeux, c'est que nous ne l'avons jamais entraîné à connaître l'intensité de l'odeur, mais il pouvait quand même faire des prédictions précises."
Le modèle a pu identifier des dizaines de paires de molécules structurellement différentes qui avaient des odeurs apparemment similaires et caractériser une grande variété de propriétés d'odeur, telles que l'intensité de 500 000 molécules potentielles. "Nous espérons que cette carte sera utile aux chercheurs en chimie, en neurosciences olfactives et en psychophysique en tant que nouvel outil pour étudier la nature de la sensation olfactive", a déclaré Mainland.
L’équipe émet l’hypothèse que la carte modèle peut être organisée sur la base du métabolisme, ce qui constituerait un changement fondamental dans la façon dont les scientifiques envisagent les odeurs. En d’autres termes, les odeurs proches les unes des autres sur la carte, ou perceptuellement similaires, sont également plus susceptibles d’être liées métaboliquement. Aujourd’hui, les sensoriels organisent les molécules comme le ferait un chimiste, se demandant par exemple si elles possèdent un ester ou un cycle aromatique. "Notre cerveau n'organise pas les odeurs de cette façon", a ajouté Mainland. Cette carte suggère plutôt que notre cerveau peut organiser les odeurs en fonction des nutriments dont elles proviennent.