طراحی رایحه‌های جدید با استفاده از یادگیری ماشین

مجموعه: اخبار پزشکی

تاریخ انتشار : سه شنبه, 15 شهریور 1401 19:35

به گزارش ایسنا به نقل از تی ان، آیا می‌توانیم از روش‌های یادگیری ماشین (Machine Learning) برای پیش‌بینی داده‌های حسی مخلوطی از بوها و طراحی رایحه‌های جدید استفاده کنیم؟ نتایج یک مطالعه جدید که توسط پژوهشگران ژاپنی انجام شده نشان می‌دهد که می‌توان از فناوری یادگیری ماشین برای طراحی رایحه‌های جدید استفاده کرد. این روش جدید در صنایع مختلف مانند صنایع غذایی، بهداشتی، زیبایی و سلامتی و در کل، هر بخشی که رایحه‌ و عطرها بسیار مورد توجه هستند، کاربرد دارد.

حس بویایی یکی از حواس اساسی گونه‌های جانوری است و برای یافتن غذا، درک جاذبه و احساس خطر بسیار مهم است. انسان، رایحه و عطرهای مختلف را با کمک گیرنده‌های بویایی بیان شده در سلول‌های عصبی بویایی خود تشخیص می‌دهد. این تاثیرات بویایی از مواد بودار روی سلول‌های عصبی، با ویژگی‌های مولکولی و خواص فیزیکوشیمیایی آنها مرتبط است و این امر، امکان ایجاد بو و رایحه‌های مختلف را به افراد می‌دهد. روش‌های کنونی فقط تاثیرات بویایی را از ویژگی‌های فیزیکوشیمیایی مواد خوشبوکننده پیش‌بینی می‌کنند، اما این روش نمی‌تواند داده‌های حسی را که برای ایجاد بو و رایحه ضروری است، پیش بینی کند.

برای مقابله با این موضوع، دانشمندان موسسه فناوری توکیو (Tokyo Tech) از استراتژی نوآورانه حل مسئله معکوس استفاده کرده‌اند. این روش به جای پیش‌بینی بو از داده‌های مولکولی، ویژگی‌های مولکولی را بر اساس برداشت بو پیش‌بینی می‌کند. این کار با استفاده از داده‌های طیف جرمی استاندارد و مدل‌های یادگیری ماشین (ML) به دست می‌آید. مسایل معکوس (Inverse Problems) دسته‌ای از مسایل‌اند که از لحاظ ریاضی، یافتن پاسخ نهایی آن‌ها به وسیله روش‌های کلاسیک ممکن نیست.

پروفسور "تاکامیچی ناکاموتو" (Takamichi Nakamoto) رهبر این مطالعه گفت: در این مطالعه ما از یک مدل پیش بینی مبتنی بر یادگیری ماشینی که پیشتر برای به دست آوردن تاثیر بو ایجاد کرده بودیم، استفاده کردیم. سپس طیف جرمی حاصل از تأثیر بو را به طور معکوس بر اساس مدل قبلی توسعه‌یافته پیش‌بینی کردیم. این روش ساده امکان آماده‌سازی سریع طیف‌های پیش‌بینی‌شده مخلوطی از بوها را فراهم می‌کند و همچنین می‌تواند نسبت اختلاط مورد نیاز را که بخش مهمی از دستور تهیه بوهای جدید است، پیش‌بینی کند. با این اطلاعات و درک نسبت اختلاط صحیح مورد نیاز می‌توانیم از نظر تئوری رایحه مورد نظر را تهیه کنیم.

این روش جدید که در این مطالعه توضیح داده شده است، می‌تواند پیش‌بینی‌های بسیار دقیقی از خواص فیزیکوشیمیایی مخلوطی از بوها و رایحه‌ها،  همچنین نسبت‌های اختلاط مورد نیاز برای آماده‌سازی آن‌ها ارائه دهد و در نتیجه راه را برای توسعه طیف وسیعی از عطرهای سفارشی هموار می‌کند.

یافته‌های این مطالعه در مجله PLoS One منتشر شده است.