Laboratooriumis oli lõhn uudne. See oli, erialakeeles öeldes, sitke: rohkem kui nädal aega kleepus lõhn paberile, millele see oli kleebitud.
Teadlase Alex Wiltschko jaoks oli see Texase suve lõhn: arbuus, täpsemalt piir, kus punane viljaliha läheb üle valgeks kooreks.
„See oli molekul, mida keegi polnud varem näinud,“ ütleb Wiltschko, kes juhib Cambridge'is, Massachusettsis asuvat ettevõtet Osmo. Tema meeskond lõi selle ühendi, mille nimi on 533, osana oma missioonist mõista ja digiteerida lõhna. Tema eesmärk - töötada välja süsteem, mis suudaks lõhnu tuvastada, ennustada või luua - on suur eesmärk, nagu näitab molekul 533. „Kui te vaataksite struktuuri, ei oleks te kunagi arvanud, et see lõhnab niimoodi.“
See on üks probleem lõhna mõistmisel: molekuli keemiline struktuur ei ütle peaaegu midagi selle lõhna kohta. Kaks väga sarnase struktuuriga kemikaali võivad lõhnata väga erinevalt; ja kaks väga erinevat keemilist struktuuri võivad tekitada peaaegu identse lõhna. Ja enamik lõhnu - kohv, Camembert, küpsed tomatid - on paljude kümnete või sadade lõhnamolekulide segud, mis muudab veelgi keerulisemaks mõista, kuidas keemia tekitab lõhnakogemuse.
Teine probleem on välja selgitada, kuidas lõhnad omavahel seotud on. Nägemise puhul on spekter lihtne värvipalett: punane, roheline, sinine ja kõik nende keerlevad vaheühendid. Helidel on sagedus ja helitugevus, kuid lõhnade puhul ei ole selgeid parameetreid. Kus asub lõhn, mida saab määratleda kui „külm“, võrreldes „saunaga“? See on tõeline väljakutse lõhna kohta ennustuste tegemiseks, ütleb Joel Mainland, neuroteadlane Monelli keemiliste meelte keskuses, mis on sõltumatu uurimisinstituut Philadelphias, Pennsylvanias.
Loomadel, sealhulgas inimestel, on välja kujunenud märkimisväärselt keeruline dekodeerimissüsteem, mis sobib tohutu lõhnamolekulide repertuaariga. Kogu sensoorset teavet töödeldakse retseptorite abil ja lõhn ei erine sellest - välja arvatud selle ulatus. Valguse jaoks on inimsilmal kahte tüüpi retseptorirakke; lõhna jaoks on neid 400. Kuidas nende retseptorite signaalid kombineeruvad, et käivitada konkreetne tajumine, on ebaselge. Pealegi on retseptorvalgud ise raskesti töödeldavad, nii et nende välimus ja toimimine on olnud enamasti vaid oletus.
Tänu struktuuribioloogia, andmeanalüüsi ja tehisintellekti (AI) arengule on asjad siiski muutumas. Paljud teadlased loodavad, et lõhnakoodi lõhkumine aitab neil mõista, kuidas loomad kasutavad seda olulist aistingut toidu või kaaslaste leidmiseks ning kuidas see mõjutab mälu, emotsioone, stressi, söögiisu ja muud.
Teised püüavad lõhna digitaliseerida, et luua uusi tehnoloogiaid: seadmeid, mis diagnoosivad haigusi lõhna alusel; paremaid ja ohutumaid putukatõrjevahendeid; ning taskukohaseid või tõhusamaid lõhnamolekule 30 miljardi USA dollari suuruse maitse- ja lõhnaturu jaoks. Vähemalt 20 alustavat ettevõtet üritab valmistada elektroonilisi ninaid tervishoiu ja avaliku julgeoleku rakenduste jaoks.
See kõik toob kaasa lõhna bioloogia uurimise, ütleb Sandeep Robert Datta, Massachusettsis, Bostonis asuva Harvardi meditsiinikooli neuroteadlane. „Haistmine on praegu väga oluline,“ ütleb ta.
Isegi ekspertide jaoks annavad lõhnamolekuli füüsikalised omadused tavaliselt vähe teavet selle kohta, kuidas see tegelikult lõhnab.
Teadlased on välja töötanud mõned arvutusmudelid, mis suudavad seostada struktuuri lõhnaga, kuid varased versioonid põhinesid pigem üsna kitsastel andmekogumitel või said teha prognoose ainult siis, kui lõhnad olid kalibreeritud nii, et nende tajutav intensiivsus oleks sama. Üks töörühm teatas 2020. aastal mudelist, mis suutis ennustada, kui sarnased on reaalsed lõhnasegud, tuvastades õigesti, et roosi ja lilla lõhnaained on üksteisega sarnasemad kui kumbki neist India köögis sageli kasutatava terava maitseaine asafoetida1.
Varasemad katsed kasutada masinõpet olid head, kuid mitte suurepärased. Näiteks kui teadlased korraldasid võistluse parima lõhna ennustava mudeli loomiseks, suutsid 22 meeskonna algoritmid tõhusalt ennustada vaid 8 lõhnakirjeldajat 19-st2.
Eelmisel aastal tegi Wiltschko meeskond - mis kuulus siis Google'i tehisintellekti uurimisosakonda - koostööd Monelli teadlastega, sealhulgas Mainlandiga, et avaldada lõhnakaart3 , milles kasutati tehisintellekti.
Nende programmi treeniti, andes mudelile tuhandeid molekulaarstruktuuride kirjeldusi lõhnakataloogidest koos iga lõhna märgistusega - näiteks „lihane“ või „lilleline“.
Seejärel võrdlesid teadlased tehisintellekti süsteemi inimese ninaga. Nad õpetasid 15 hindajat hindama paarsada lõhna, kasutades 55 märgistust, näiteks „suitsune“, „troopiline“ ja „vahajas“.
Translated with DeepL.com (free version)
Inimestel on selle ülesandega raske, sest lõhn on nii subjektiivne. „Universaalset tõde ei ole olemas,“ ütleb Mainland. Enamikul lõhnakirjeldustest puuduvad ka üksikasjad. Ühe lõhna puhul valisid hindajad sõnad „terav, magus, röstitud, võine“. Parfüümimeister, kellel paluti sama lõhna kirjeldada, märkis „suusamaja, kamin ilma tulekahjuta“. „See näitab lõhet,“ ütleb Mainland. „Meie leksikon ei ole piisavalt hea.“ Sellegipoolest on inimkomisjon üks parimaid olemasolevaid vahendeid järjepidevate lõhnakirjelduste leidmiseks, sest grupi keskmised pingeread erinevate lõhnade puhul kipuvad olema stabiilsed.
Kasutades ainult nende molekulide struktuuri, sai tehisintellekti algoritm ühendite lõhna ennustamisel hästi hakkama, võrreldes rühma keskmiste hinnangutega (vt „Sama, kuid erinev“), ja see töötas paremini kui tüüpiline individuaalne nuusutaja. Ja kuigi selle abil koostatud kaart oli väga keeruline - sellel on üle 250 mõõtme - suutis see lõhnade tüübi järgi rühmitada, näiteks lihaga, alkoholiga või puiduga.
More: https://www.nature.com/articles/d41586-024-02833-4
