L’un des principaux enjeux des neurosciences est d’apprendre comment nos sens traduisent la lumière en vue, le son en ouïe, la nourriture en goût et la texture en toucher. L’odorat est le domaine où ces relations sensorielles deviennent plus complexes et déroutantes.

Pour répondre à cette question, une équipe de recherche codirigée par le Monell Chemical Senses Center et la start-up Osmo, une société basée à Cambridge, dans le Massachusetts, est issue de la recherche sur l'apprentissage automatique effectuée par Google Research, Google DeepMind (anciennement Google Brain). ), étudient la manière dont les produits chimiques en suspension dans l'air sont liés à la perception des odeurs dans le cerveau.

À cette fin, ils ont découvert qu’un modèle d’apprentissage automatique permettait d’atteindre une capacité humaine à décrire, avec des mots, l’odeur des produits chimiques. Leurs recherches paraissent dans le numéro du 1er septembre de Science.

"Le modèle comble des lacunes séculaires dans la compréhension scientifique du sens de l'odorat", a déclaré le co-auteur principal Joel Mainland, Ph.D., membre du Monell Center.

Cette collaboration rapproche le monde de la numérisation des odeurs à enregistrer et à reproduire. Cela pourrait également identifier de nouvelles odeurs pour l'industrie des parfums et des arômes, qui pourraient non seulement réduire la dépendance à l'égard de plantes menacées d'origine naturelle, mais également identifier de nouveaux parfums fonctionnels pour des utilisations telles que les répulsifs contre les moustiques ou le masquage des mauvaises odeurs.

Comment notre cerveau et notre nez fonctionnent ensemble

Les humains possèdent environ 400 récepteurs olfactifs fonctionnels. Ce sont des protéines situées à l'extrémité des nerfs olfactifs qui se connectent aux molécules en suspension dans l'air pour transmettre un signal électrique au bulbe olfactif. Le nombre de récepteurs olfactifs est bien supérieur à celui que nous utilisons pour la vision des couleurs (quatre) ou même pour le goût (environ 40).

"Dans la recherche sur l'olfaction, cependant, la question de savoir quelles propriétés physiques donnent à une molécule en suspension l'odeur qu'elle dégage au cerveau est restée une énigme", a déclaré Mainland. "Mais si un ordinateur peut discerner la relation entre la façon dont les molécules sont façonnées et la façon dont nous percevons finalement leurs odeurs, les scientifiques pourraient utiliser ces connaissances pour faire progresser la compréhension de la façon dont notre cerveau et notre nez fonctionnent ensemble."

Pour résoudre ce problème, Alex Wiltschko, Ph.D., 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 la structure moléculaire de l'odeur. La carte résultante de ces interactions est essentiellement constituée de regroupements d’odeurs ayant une odeur similaire, comme le sucré floral et le bonbon sucré.

"Les ordinateurs ont pu numériser la vision et l'ouïe, mais pas l'odorat, notre sens le plus profond et le plus ancien", a déclaré Wiltschko. "Cette étude propose et valide une nouvelle carte de l'olfaction humaine basée sur des données, faisant correspondre la structure chimique à la perception des odeurs."

Quelle est l’odeur de l’ail ou de l’ozone ?

Le modèle a été formé à l’aide d’un ensemble de données industrielles comprenant les structures moléculaires et les qualités olfactives de 5 000 substances odorantes connues. Les données saisies sont la forme d'une molécule et la sortie est une prédiction des mots olfactifs décrivant le mieux son odeur.

Pour vérifier 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, puis ont comparé leurs réponses avec 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 avons utilisées pour le tester", a déclaré la co-première auteure Emily Mayhew, Ph.D., qui a mené cette recherche alors qu'elle était boursière postdoctorale Monell. Elle est maintenant professeur adjoint à la Michigan State University. Brian K. Lee, Ph.D., Google Research, Brain Team, Cambridge, Massachusetts, est également co-premier auteur.

L'équipe Monell 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 antérieures, comme l'amalgame entre « moisi », comme un sous-sol humide, et « musqué », comme un parfum, des séances de formation et des kits de référence sur les odeurs conçus en laboratoire ont enseigné à chaque panéliste la qualité de l'odeur associée à chaque terme descriptif.

Il a été demandé aux panélistes de sélectionner lequel des 55 descripteurs s'appliquait et d'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. Par exemple, un panéliste a évalué l’odeur du 2,3-dihydrobenzofuran-5-carboxaldéhyde, un odorant jusqu’alors non caractérisé, comme étant très poudrée (5) et quelque peu sucrée (3).

Le contrôle de la qualité est également important lors de la comparaison finale des renifleurs humains au modèle informatique. C'est là qu'intervient la co-auteure Jane Parker, Ph.D., professeur de chimie des arômes à l'Université de Reading, au Royaume-Uni.

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 présent dans un échantillon, y compris les éventuelles impuretés. Ensuite, Parker et son équipe ont senti chaque composé séparé pour déterminer si une impureté écrasait l'odeur connue de la molécule cible.

"Nous avons trouvé quelques échantillons contenant des impuretés significatives, parmi les 50 testés", a déclaré Parker. 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 dominait l’odorant d’intérêt. "Dans ce cas, nous avons pu expliquer pourquoi le panel avait décrit l'odeur différemment de la prédiction de l'IA."

Mieux qu'un humain ?

En comparant les performances du modèle à celles de panélistes individuels, le modèle a obtenu de meilleures prédictions de la moyenne des notes d'odeur du groupe que n'importe quel panéliste de l'étude, impuretés mises à part. Plus précisément, le modèle a obtenu de meilleurs résultats que la moyenne des panélistes pour 53 % des molécules testées.

"Le résultat le plus surprenant, cependant, est que le modèle a réussi à accomplir des tâches olfactives pour lesquelles il n'était pas formé", a déclaré Mainland. "Ce qui nous a ouvert les yeux, c'est que nous ne l'avons jamais entraîné à connaître la force des odeurs, mais il pouvait néanmoins faire des prédictions précises."

Le modèle a pu identifier des dizaines de paires de molécules structurellement différentes qui avaient des odeurs contre-intuitivement similaires, et caractériser une grande variété de propriétés d'odeur, telles que la force de l'odeur, pour 500 000 molécules odorantes 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.

Et après? L’équipe suppose que la carte modèle pourrait 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. Les scientifiques sensoriels organisent actuellement les molécules comme le ferait un chimiste, par exemple en se demandant si elles ont un ester ou un cycle aromatique ?

"Notre cerveau n'organise pas les odeurs de cette manière", a déclaré Mainland. "Au lieu de cela, cette carte suggère que notre cerveau pourrait organiser les odeurs en fonction des nutriments dont elles dérivent."