Quando os cientistas da computação começaram a habilitar máquinas a exercer tarefas antes restritas ao ser humano, logo se mostrou útil imbuí-las com os sentidos pelos quais nós percebemos o mundo ao nosso redor. A visão e a audição são os sentidos com implementação digital mais avançada; já temos sensores e algoritmos especializados em decodificar imagens e sons com precisão. O mesmo não pode ser dito do olfato. Uma das dificuldades reside no fato de que este sentido é muito mais complexo que os outros dois. Nós percebemos odores através de mais de 400 receptores diferentes, que são ativados pela estrutura química das moléculas. Cada tipo de receptor contribui individualmente para a experiência subjetiva do olfato, mas a relação entre sua ativação e a experiência sentida ainda não é clara.
Visando gerar um modelo capaz de explicar como o sentido do olfato funciona, pesquisadores da Universidade da Califórnia desenvolveram um trabalho, publicado este mês, aplicando métodos de machine learning para predizer quais ligantes tinham afinidade por 34 receptores olfativos humanos selecionados. Para isso, eles usaram um dataset contendo aproximadamente 170 odorantes, com estruturas químicas descritas, e dados de afinidade conhecidos. O modelo treinado foi capaz de predizer a afinidade de moléculas em um dataset de teste a partir de suas estruturas químicas, com métrica AUC de 0,88. Este modelo foi então aplicado a uma biblioteca maior, contendo cerca de 450 mil moléculas, permitindo o desenvolvimento de um espaço teórico muito maior do que o atualmente disponível. A partir deste pool aumentado, os pesquisadores separaram os ligantes com maior afinidade predita para cada receptor, e assim puderam identificar que características bidimensionais das moléculas parecem ser importantes para ativar cada receptor.
Numa segunda etapa, os pesquisadores buscaram compreender como a estrutura das moléculas e a ativação dos receptores influenciava na experiência subjetiva dos odores. Para isso, eles trabalharam com outro dataset contendo 466 moléculas cujo odor havia sido classificado por voluntários humanos, usando descritores característicos dessa área de pesquisa. Usando o modelo treinado anteriormente, foi possível predizer quais receptores olfativos são ativados, e com base naquelas moléculas com poucos receptores ótimos, um novo modelo foi construído para determinar a identidade subjetiva dos odores. Este modelo atingiu métrica AUC de 0,78, desempenho superior ao de modelos que buscam predizer o odor a partir apenas das propriedades físico-químicas das moléculas. Os autores também descobriram que vários dos 146 descritores de odor estavam associados à ativação de apenas poucos receptores, o que indica que, apesar de termos cerca de 400 receptores, eles costumam ser bem específicos.
Além de elucidar um passo importante da via que caracteriza o sentido do olfato, os resultados apresentados neste estudo baseado em machine learning podem nos ajudar a capacitar os computadores a analisar odores. Assim como a área da visão computacional tem encontrado enorme sucesso se inspirando no modelo biológico, é possível que o mesmo ocorra aqui. As aplicações de uma nascente área de olfato computacional incluem a prospecção rápida de moléculas com novas combinações de odores, o que faria possível substituir moléculas raras ou caras, ou ainda a pesquisa usando odorantes com propriedades tóxicas. Além disso, toda indústria que utiliza fragrâncias poderia se beneficiar, como a indústria de alimentos – já que cerca de 80% do sabor é de fato sentido pelo olfato -, de produtos de limpeza e de cosméticos.
