Tutkijat suunnittelivat tekoälymallin, joka pystyy erottamaan erilaiset hajukokemukset

Teckoälytutkijat yrittävät aina jäljitellä inhimillisten aistien piirteitä algoritmeja käyttämällä. Tekoälyä on käytetty dramaattisesti tietokoneen näkösohjelmien parantamiseen viime vuosina, ja tekoälyä on myös käytetty melko vaikuttavien ääninäytteiden luomiseen, jopa luomalla koko kappaleita yhden artistin tyylissä. Hiljattain Kalifornian yliopiston Riverside -tiimillä onnistui luomaan tekoäly, joka pystyy erottamaan hajut toisistaan hajuaineen kemiallisen koostumuksen perusteella.

UC Riverside -yliopiston solu- ja järjestelmäbiologi Anandasankar Rayn mukaan tutkijat yrittivät perustaa tekoälymallinsa siihen, miten ihmiset havaitsevat hajuja. Ihmisen nenässä on noin 400 hajureseptoria (OR), jotka aktivoituvat, kun kemikaalit pääsevät nenään. Eri OR:t aktivoituvat eri kemikaaliryhmien toimesta, ja yhdessä ne pystyvät havaitsemaan laajan valikoiman eri kemikaalirakenteita ja -perheitä. Vaikka tutkijat tietävät jo paljon siitä, miten OR:t havaitsevat ja tulkitsevat eri molekyylejä hajussa, vähemmän tiedetään siitä, miten OR:ien havaitsema ärsyke kääntyy aistimiseksi, eli hajukokemukseksi.

Phy.org:n mukaan Ray selitti, että tutkijat yrittivät mallintaa inhimillisiä hajukokemuksia yhdistelemällä koneoppimisalgoritmeja ja kemikaalitietoa. Koneoppimisalgoritmit pystyvät analysoimaan suuren määrän kemikaalimuuttujia, poistamaan yhteiset rakenteet ja kuviot, ja sitten oppimaan tunnistamaan, mitkä kemikaalit tuottavat tiettyjä hajuja. Koulutuksen jälkeen algoritmit voivat lopulta ennustaa, miten uudet kemikaaliseokset tuottavat hajuja, vaikka data on merkintämätöntä ja tuntematonta, miten kemikaali tuottaa hajua.

Tutkimusryhmä aloitti kehittämällä menetelmiä, joilla tietokone voisi määrittää, mitkä kemikaalipiirteet voivat aktivoida OR:ia. Sen jälkeen tutkijat analysoivat yli puoli miljoonaa kemikaaliyhdistettä löytääkseen näytteitä, jotka voivat sitoutua 34 OR:aan. Tutkijat yrittivät sitten arvioida kemikaalinäytteiden aistimellisia laatuja samalla algoritmilla, jota käytettiin OR-toiminnan ennustamiseen.

Tutkimusryhmä totesi, että eri OR-aktivaatioiden yhdistelmillä näytti olevan suhde aistimisen koodaukseen. Tutkijat käyttivät dataa, joka sisälsi kemikaalien arvioita ihmisten vapaaehtoisten toimesta, ja valitsivat OR:t, jotka toimivat parhaiten aistimisen ennustamisessa kemikaalinäytteiden alajoukossa. He testasivat sitten, ovatko OR-aktivaatiot ennustettavissa uusille hajuille.

Tutkijoiden mukaan OR-toiminta voitiin käyttää oikein ennustamaan 146 eri kemikaalin aistiminen. Vain muutamia OR:ia tarvittiin aistimisen ennustamiseen, ei kaikkia OR:ia. Tutkijat vahvistivat tämän hypoteesin kärpästen avulla ja onnistuivat ennustamaan menestyksekkäästi hajuun vihamielisyyden tai viehätysvoiman.

Ray selitti, että hajujen digitalisoinnin ja niihin liittyvien ennusteiden etu on, että tuloksia voidaan käyttää uusien kemikaalien löytämiseen, joita voidaan käyttää uusien tuoksuaineiden ja elintarvikkeiden luomiseen. Tekoälyä voidaan käyttää etsimään korvikkeita, jotka tuottavat samanlaisen hajun kuin kemikaalit, jotka ovat harvinaistuvia tai kallista. Sitä voidaan myös käyttää korvaamaan epämiellyttävän tuoksuista yhdisteitä kemikaaleilla, jotka ovat miellyttävämpiä ihmisille. Ray totesi Phys.org:ssa:

“Myrkyllisiä tai karheita aineita, kuten makuja, kosmetiikkaa tai talousvälineitä, voidaan korvata luonnollisilla, pehmeämmillä ja turvallisemmilla kemikaaleilla… Teknologia voi auttaa meitä löytämään uusia kemikaaleja, jotka voivat korvata olemassa olevia, joista tulee harvinaisia tai joita on hyvin kallista. Se antaa meille laajan valikoiman yhdisteitä, joita voidaan yhdistää mihin tahansa hajusovellukseen.”