Ordenadores predicen el aroma de moléculas a partir de sus estructuras

Un equipo de investigadores y voluntarios provenientes de todo el mundo han programado ordenadores que predicen cómo olerá una molécula en base a su estructura. Esta hazaña puede ayudar a los científicos a desenmascarar la todavía misteriosa relación entre la estructura molecular y la percepción del olor (Science 2017, DOI: 10.1126/science.aal2014).

Este logro en aprendizaje automático también puede ser beneficioso para la industria del perfume, que ahorraría el tiempo y dinero que se gasta en las costosas pruebas olfativas llevadas a cabo por humanos. También sugiere que los ordenadores serían capaces de identificar moléculas en base a su olor.

Para abordar el complejo y mal comprendido fenómeno del olfato, un equipo internacional liderado por Pablo Meyer del IBM, y Leslie B. Voshall y Andreas Keller de la Universidad de Rockefeller, ha ideado un proyecto de crowdsourcing: DREAM Olfaction Prediction Challenge.

Los investigadores se proveyeron de un enorme grupo de datos de percepción del olor en humanos, haciendo que 49 personas olieran 476 moléculas en viales separados. Estos jueces categorizaron cada molécula de acuerdo a sus cualidades olfativas, como “olor a ajo”, “dulce”, “afrutado”, “especiado”, “picante”, “olor a orina”, “descompuesto” y “olor a pescado”. El grupo también recogió 4884 estructuras características como los tipos de átomos y los grupos funcionales de las moléculas. 

Entonces, el equipo del IBM-Rockefeller cedió una porción de esos datos a 22 equipos voluntarios de científicos computacionales, quienes los usaron para crear unos algoritmos de aprendizaje automático que pueden predecir el aroma de una molécula. Con el tiempo, el equipo de voluntarios recibió los datos restantes para probar la capacidad de sus algoritmos predictivos.

Los modelos funcionaron sorprendentemente bien, y el modelo final, que fue generado por el grupo de IBM-Rockefeller combinando varios algoritmos de los voluntarios, fue capaz de identificar con precisión la “agradabilidad” e “intensidad” de una molécula, además de ocho de cada 19 cualidades olfativas que inicialmente fueron evaluadas por los jueces.

El resultado muestra que los ordenadores pueden centrarse en las características moleculares responsables de los olores que los humanos no son capaces de discernir fijándose en su estructura molecular.

El esfuerzo del equipo del IBM-Rockefeller es “el mayor paso dado hacia adelante en decodificar cómo interpreta el cerebro los mensajes de la nariz”, dice Eric Block, profesor de química de la Universidad de Albany, SUNY, y experto en la química del olfato.

Los científicos nunca habían entendido del todo qué hace que una molécula tenga el olor que tiene. Las teorías sobre la percepción del olor generalmente involucran el enlace de las moléculas a sus receptores en la nariz. Estas hipótesis son complicadas debido a que moléculas con formas muy diferentes pueden tener olores muy similares, mientras que moléculas con formas muy parecidas pueden oler, en ocasiones, de manera bastante diferente. 

Los científicos reconocen que el uso del aprendizaje automático para resolver estos misterios está en sus primeros años. Los autores del nuevo estudio visualizan experimentos futuros que implican mezclas de olores y grupos de datos de jueces que incorporen culturas y genéticas humanas diferentes.

Dado que aún queda mucho por descubrir sobre el olfato humano, la identificación de las moléculas basándose en su olor “está en el horizonte, pero no al alcance de la mano”, dice Block.

Esta nueva estrategia, mencionan los autores, todavía podría impulsar los intentos para entender las interacciones básicas entre el olor de las moléculas y sus receptores y “probar modelos predictivos de codificación olfativa tanto en humanos como en modelos animales”.

Traducción al español producida por Marta Isabel Gutiérrez-Jiménez de Divulgame.org para C&EN. La versión original (en inglés) del artículo está disponible aquí.
Para ver las traducciones en español, visita http://cen.acs.org/espanol.html.