Karmaşık kokuların haritalanmasının makine öğrenimi ile beklenenden daha kolay olduğu ortaya çıktı

Belirli bir rengi tanımlamak istiyorsanız Pantone renk tekerleğine bakarak onun tam tonunu, doygunluğunu ve parlaklığını ve diğer renklerle karşılaştırmasını bulabilirsiniz. Ancak karmaşık kokular için buna benzer bir şey mevcut değildi.

Artık Monell Chemical Senses Center’daki bilim adamlarının ortak yazdığı araştırma, kokuları ve bunların birbirleriyle ilişkilerini ayırt etmek için makine öğrenimini kullanmanın bir yolunu yaratarak bu hedefe daha da yaklaştı. Çalışmanın açıklaması gazetede yayınlandı. Ulusal Bilimler Akademisi Bildirileri.

Monell Merkezi’nin bir üyesi olan çalışmanın ortak yazarı Joel Anakara, çalışmanın kokuları karşılaştırmak için doğrulanmış bir ölçüm ve kıyaslama sağladığını, dijital koku alma ve kokuları dijitalleştirme yeteneği gibi teknolojiler için bir temel oluşturduğunu söyledi.

Anakara, “Uzun zamandır kokuları dijitalleştirmeye çalışmakla ve bunları, renkli görme ve işitme için yaptığımıza benzer şekilde matematiksel olarak temsil etmeye çalışmakla ilgileniyorduk” dedi.

Kendisi, 2015 yılında IBM’in, tek bir koku molekülünü almak ve onun kimyasal yapısına dayalı olarak nasıl koktuğunu tahmin etmek için açık araştırmacı DREAM mücadelesini yürüttüğünü söyledi. Bu çok fazla bilime yol açtı. Ancak günlük yaşamda karşılaştığımız kokuların çoğu, onlarca veya yüzlerce molekülün karmaşık karışımlarıdır. Anakara, “Herhangi bir şeyi dijitalleştirmek istiyorsak karışımların nasıl çalıştığını anlamalıyız” dedi.

Koku karışımlarını niceliksel olarak haritalandırabilmenin çok sayıda uygulamaya sahip olduğunu sözlerine ekledi. Örneğin, diyabet ve karaciğer yetmezliği gibi bazı durumlarda, teşhiste yardımcı olabilecek koku işaretleri, farklı kokular bulunur. Kokuların haritalanması, yiyeceklerin tatlarının ölçülmesinde veya markalı çamaşır deterjanlarının kokuları gibi belirli aromaların ticari markalaştırılmasında da yararlı olabilir.

“Koku üreten şirketler çok fazla deneme yanılma yapıyor, dolayısıyla düşünce süreci şu: Eğer daha matematiksel olan kısmı düzeltebilirseniz, ürünleri daha verimli hale getirebilirler” dedi.

Mücadele nasıl oluşturuldu?

Anakara ve meslektaşları kendi DREAM yarışmasını yayınladılar ve uluslararası ekipleri, iki koku karışımı arasındaki benzerlik derecesini tahmin etmek için modeller geliştirmek üzere makine öğrenimini kullanmaya davet ettiler.

İlk olarak, üç farklı çalışmadan elde edilen altı koku benzerliği ölçümü veri setini standartlaştırdılar ve 168 benzersiz tek molekül, 731 benzersiz karışım ve 507 karışım çifti ölçümü içeren yeni bir veri setinde derlediler. Karışım çifti mesafeleri, 0’dan (ayırt edilemez) 1’e (en belirgin) kadar sürekli bir algısal ölçek üzerinde haritalandı.

Daha sonra, üç aylık bir süre boyunca 26 takım, 46 karışım çiftinden oluşan gizli bir test setinde eşleştirilmiş kokuların ne kadar benzer olacağını tahmin etmek için yarıştı. Yarışma dörtlü beraberlikle sonuçlandı.

Anakara ve meslektaşları daha sonra kazanan dört takımın tahminleri ile iki yüksek performanslı modelin tahminlerinin ortalamasını alarak bir topluluk modeli oluşturdular. Bu zorluğun ardından, modeli 50 koku karışımı çiftinden oluşan bağımsız bir set üzerinde doğruladılar.

Modelin araştırmacıları şaşırttığı yer

Son modellerinin oldukça doğru olduğu görüldü. 0,08’lik bir medyan RMSE (ortalama kare hatası) elde etti; burada 0, mükemmel bir puandır; bu, modelin koku benzerliklerini tahmin etmede iyi bir doğruluğa sahip olduğu anlamına gelir. Ayrıca test setinde 0,57’lik bir Pearson korelasyonu elde edildi; bu, modelin veri setinin özelliklerini tahmin etmede orta ila güçlü bir pozitif korelasyona sahip olduğu anlamına geliyor.

Anakara, duyusal bilim alanındaki pek çok kişinin, karışımlar arasındaki benzerliği tahmin etmek için bilimi kullanmanın, tek moleküller arasındaki benzerliği tahmin etmekten çok daha zor olacağına inandığını ancak durumun böyle olmadığını söyledi. “Bu makale, eğer tek bir bileşenin nasıl koktuğunu zaten tahmin edebiliyorsanız, bundan yola çıkarak karışımlar hakkında oldukça iyi bir tahminde bulunabileceğinizi gösteriyor.”

İlginç bir şekilde, makine öğrenimi modellerinin, ester veya moleküler ağırlıklar gibi kimya terimlerinden ziyade koku karışımlarını tanımlamak için “meyveli ve tatlı” gibi anlamsal dili kullanma olasılığının daha yüksek olduğunu söyledi.

“Bu anlamsal etiketlerle çalışmak, karışımların nasıl koktuğuna dair tahminlerde bulunabilmek açısından ileriye doğru büyük bir sıçramadır” dedi. Bir dergi eleştirmeni, modellerin bu bilgi olmadan nasıl performans gösterdiğini görmek için anlamsal özellikleri ortadan kaldırmalarını istediğinde, tahminlerde bulunmak çok daha zordu.

Bir kokunun bölümlerinin ortalamasını alma

Araştırmacılar şimdi dergide yayınlanmak üzere üçüncü bir DREAM Koku Alma mücadelesinin sonuçlarını yazıyorlar. Bu alıştırmada ekiplere, insanlara karışımların tek tek bileşenlerinin nasıl koktuğuna dair izlenimleri verildi ve bu bilgiyi karışımın tamamının nasıl kokacağını tahmin etmek için kullanmaları istendi.

“Gördüğümüz şey şu ki, eğer bileşenlerin nasıl koktuğunu biliyorsanız, karışımın nasıl koktuğunu da bilirsiniz; bu, temel olarak bileşenlerin ortalamasıdır ve bence bu, bu alandaki birçok insan için gerçekten şaşırtıcıdır” dedi.