وقتی صحبت از “علوم اعصاب” به میان میآید، بررسی، درک و تفسیر چگونگی واکنش نشان دادن حواس ما به محرکهایی مانند “نور به بینایی، موسیقی به شنوایی، غذا به طعم و سطح به لمس”، امری اجتناب ناپذیر است. با این حال، از آنجایی که اطلاعات گستردهای در خصوص “حس بویایی” وجود ندارد، محققان علوم اعصاب تاکنون به نتایج جامعی از نحوه عملکرد دقیق حس بویایی انسانها، دست نیافتهاند.
به طور کلی، به دلیل وجود سلولهای پروتئینی به نام “گیرندههای بویایی” در بینی، انسانها بر این باورند که بوی گلها، رایحهای مطبوع و بوی غذاهای فاسد، رایحهای آزاردهنده است. با این حال، اطلاعات کمی در خصوص نحوه جذب مواد شیمیایی و تبدیل کردن این مواد به طیف وسیعی از رایحههای موجود توسط گیرندههای بویایی، در دست میباشد.
به منظور درک بهتر این فرآیند، گروهی از محققان مرکز حواس شیمیایی مونل (Monell) و استارتآپ Osmo، استارتآپی مستقر در کمبریج- ماساچوست که از ابتکار یادگیری ماشینی گوگل ریسرچ (Google Research) توسعه یافتهاند، به بررسی ارتباط میان “سیستم ادراک بویایی مغز” و “مواد شیمیایی موجود در هوا” پرداختند. این مطالعه، با ابداع یک مدل یادگیری ماشینی با مهارت توصیف شفاهی بوی ترکیبات ارائه شده، با مهارتی در سطح حس بویایی انسانها همراه شد. شایان ذکر است که جزئیات مربوط به این مطالعه، در مجله ساینس (Science) منتشر شده است.
این آزمایش چگونه صورت پذیرفت؟
به طور کلی، تاکنون، تلاشهای قابل توجهی برای درک سیستم بویایی در انسان انجام شده است. در تحقیقات صورت پذیرفته شده، وجود حدود 400 گیرنده بویایی فعال در بینی انسانها؛ به تایید رسیده است. این گیرندههای پروتئینی که در عصب بویایی یافت میشوند، ضمن برقرارسازی تعامل با مواد شیمیایی موجود در هوا، در تلاشند تا سیگنالهای الکتریکی تولیدشده ناشی از فرآیند استشمام را به پیاز بویایی موجود در مغز انسان منتقل کنند. طبق اظهارات این تیم، وجود تعداد گیرندههای بویایی بیشتر در مغز انسان، نسبت به 4 گیرنده درگیر در تشخیص رنگ در حس بینایی و 40 گیرنده مرتبط با حس چشایی، از پیچیدگی و اهمیت حس بویایی در انسانها، حکایت دارد.
جوئل مینلند، عضو مرکز مونل و یکی از نویسندگان ارشد این مقاله، در بیانیه خود اظهار داشت:
ما همچنان در تحقیقات مربوط به حس بویایی خود، با یک سوال بیپاسخ مواجه هستیم و آن سوال این است که، دقیقاً کدام یک از ویژگیهای فیزیکی خاص یک مولکول موجود در هوا به فرآیند استشمام یک بو و درک آن توسط مغز ما کمک میکند؟
به همین منظور، در راستای یافتن پاسخی برای معمای قدیمی، این گروه از محققان با تمرکز و بررسی ارتباط میان ساختار مولکولی مواد معطر و نحوه شکلگیری آنها، تلاش کردند تا به نحوه درک ما از رایحه هر مولکول، دست یابند.
برای دستیابی به این هدف، تیم تحقیقاتی ضمن توسعه یک مدل، به آن یاد دادند تا “توصیفات زبانی مرتبط با بوی یک مولکول” را با “ساختار مولکولی خاص آن” مرتبط سازد. از طریق این فرآیند، محققان به نقشهای از گروههایی مختلف دربرگیرنده رایحههای مشابه با یکدیگر دست یافتند. برای مثال، در این نقشه، رایحههای استشمام شده از رایحه “شیرینی یک گل” با رایحه “شیرینی آبنبات” به صورت جداگانه دستهبندی میشوند و پس از در کنار هم قرار گرفتن این دو دستهبندی، میتوان به وجود شباهت در استشمام و رایحههای درک شده از هر یک آنها دست یافت. این تکنیک نقشهبرداری به درک هر چه بهتر از نحوه ارتباط ساختارهای مولکولی با درک رایحههای مختلف؛ کمک شایانی میکند.
در این مطالعه، محققان از یک مجموعه دادههای تجاری متشکل از ترکیب مولکولی و خواص بویایی 5000 ماده خوشبو کننده معروف، به منظور آموزش مدل یادگیری ماشینی به هوش مصنوعی، بهره گرفتند. در این الگوریتم منحصربهفرد، ساختار مولکولی یک ماده معطر به عنوان ورودی به ماشین ارائه میشود و پس از آن، مدل سعی میکند تا به واسطه مناسبترین و مرتبطترین کلمات آن عطر را توصیف و دستهبندی متعلق به آن رایحه را پیشبینی نماید.
علاوه بر این، محققان مونل با بهرهگیری از یک روش اعتبارسنجی کور یا ناآگاهانه، به ارزیابی اثربخشی و عملکرد مدل پرداختند. در این بخش، به گروهی متشکل از 15 شرکتکننده پژوهشی آموزشدیده، 400 ماده خوشبوکننده دربرگیرنده مولکولهایی با رایحههای جدید ارائه شد. سپس از آنها خواسته شد تا برای توصیف رایحه هر ماده، از یک مجموعه 55 کلمهای (دربرگیرنده کلمات توصیفی مانند رایحه نعنایی یا بوی کپک) یک یا چند کلمه را انتخاب کنند. در مرحله آخر این پژوهش، پاسخهای 15 شرکتکننده با پاسخهای ارائه شده توسط هوش مصنوعی مقایسه شدند.
نتایج خیرهکننده مطالعه
پس از انجام مقایسه، مشخص شد که مدل هوش مصنوعی در توصیف 53% از ترکیبات مورد بررسی در این پژوهش، عملکرد بهتری را نسبت به هر یک از اعضاء شرکتکننده در این پژوهش از خود به نمایش گذاشته است. علاوه بر این، این مدل هوش مصنوعی در انجام وظایفی که برای انجام آنها آموزش داده نشده بود؛ نیز موفق عمل کرد. به گفته مینلند:
عملکرد این مدل هوش مصنوعی، برای ما بسیار غیرمنتظره و حیرتآور بود؛ چرا که این مدل در مواردی که ما هرگز به وی آن رایحه خاص را آموزش نداده بودیم نیز پیشبینیهای دقیقی را انجام داد!
در نهایت، این هوش مصنوعی با موفقیت توانست تا طیف وسیعی از ویژگیهای بو (مانند شدت آن) را برای 500000 مولکول از رایحههای متنوع در دسترس قرار داده شده را اندازهگیری کند و صدها جفت از ترکیبات ساختاری متفاوت که دارای رایحههای مشابهی با یکدیگر بودند، را پیدا کند. مینلند اظهار داشت:
ما امیدواریم که محققان و متخصصان حوزه “شیمی، علوم اعصاب بویایی و روانفیزیک” از این مدل هوش مصنوعی به عنوان ابزاری نوین در راستای بررسی ماهیت حس بویایی بهره ببرند.
در بخشی دیگر، این تیم در فرضیه پیشنهادی خود مطرح میکند که این نقشه و مدل میتواند بر اساس متابولیسمهای متنوعی ساخته شود که این مسئله، تغییر قابل توجهی را برای دانشمندان در درک رایحههای متنوع، به ارمغان خواهد آورد. به زبان سادهتر، به نظر میرسد رایحه و بوهایی که با توجه به شباهت خود با یکدیگر در یک مکان ثبت شدهاند، احتمالاً دارای مسیر متابولیکی یکسانی با یکدیگر میباشند. در حال حاضر، دانشمندان حوزه ارزیابی حسی، ترکیبات را به روشی مشابه با روشهای طبقهبندی شیمیدانان (مانند تعیین وجود یا عدم وجود استر یا حلقه معطر در یک مولکول) طبقهبندی میکنند.
به گفته محققان این پژوهش، انتظار میرود که نتایج این مطالعه، به فرآیند دیجیتالی کردن بوها سهولت بخشد و بستری برای ثبت و بازتولید رایحههای خاص و مورد علاقه افراد را فراهم سازد. علاوه بر این، به نظر میرسد که این مدل هوش مصنوعی، به واسطه کشف رایحههای جدید، پتانسیل ایجاد تغیراتی بنیادین در صنعت عطر و طعمها را داشته باشد. این امر علاوه بر شناسایی و کشف رایحههای کاربردی مختلف (مانند رایحههای دفعکننده حشرات یا رایحههای برطرفکننده بوی نامطبوع)، قادر است تا از وابستگی بیش از حد این صنعت به گیاهان طبیعی در معرض خطر انقراض، بکاهد.
این تیم قصد دارد تا در آیندهای نه چندان دور، به بررسی تعاملات و رقابتهای صورت گرفته شده میان تولیدکنندگان مواد خوشبو کننده و دستیابی به ترکیبی از رایحهها به منظور تولید عطری منحصر به فرد و خارقالعاده که مغز انسان قادر است تا آن را از سایر رایحهها به راحتی تشخیص دهد، بپردازد.
منبع: InterestingEngineering