Las redes neuronales profundas mejoran el diseño de fragancias con predicciones de olores

Los investigadores han explorado el potencial de las redes neuronales profundas (DNN) para transformar el diseño de fragancias. Al analizar los datos de detección de 180 aceites esenciales, el DNN se entrenó utilizando los datos de descriptores de olores de 94 aceites esenciales para generar perfiles de fragancia, validados mediante evaluaciones sensoriales para alinearse con las percepciones olfativas humanas. El estudio subraya la capacidad tecnológica para agilizar la creación de fragancias, reducir costos y fomentar la innovación, abriendo posibilidades interesantes para el desarrollo de aromas personalizados y escalables.

Las DNN se han convertido en un impulsor esencial de la innovación en diversas industrias, desde la atención sanitaria hasta la fabricación. Al analizar grandes conjuntos de datos, identificar patrones y realizar predicciones precisas, las DNN están transformando la forma en que abordamos tareas complejas. Una de esas áreas en las que las DNN están teniendo un impacto notable es la digitalización del olfato, un campo tradicionalmente dominado por la experiencia humana y las evaluaciones sensoriales. Sin embargo, un estudio reciente pretende revolucionar esta práctica explorando cómo las DNN pueden ayudar en el diseño de fragancias.

Es más, un olor Se ha desarrollado una técnica de reproducción que permite generar una amplia variedad de aromas variando la proporción de mezcla de un pequeño conjunto de componentes odoríferos. Estos componentes del olor se preparan mezclando los aceites esenciales utilizados en el análisis.

Un equipo de investigación dirigido por el profesor Takamichi Nakamoto del Laboratorio para la futura investigación interdisciplinaria de ciencia y tecnología (FIRST), Instituto de Investigación Integrada (IIR), Instituto de Ciencias de Tokio, Japón, publicó su investigación en Informes Científicos en 28 de diciembre. Este estudio fue impulsado por la creciente necesidad de métodos más eficientes e innovadores de creación de fragancias. El estudio tuvo como objetivo crear rápidamente el aroma deseado sin prueba ni error, aprovechando las DNN para predecir perfiles de olor basados ​​en datos de detección multidimensionales.

Nakamoto explica: «Presumimos que las DNN, cuando se integran con la química y la ciencia sensorial, podrían ofrecer nuevos conocimientos sobre el desarrollo de fragancias. Realizamos el estudio analizando datos de espectrometría de masas de 180 aceites esencialesproporcionando una comprensión integral de sus componentes de olor.

«Estos datos se utilizaron luego para entrenar un DNN diseñado para predecir descriptores de olores a partir de la composición de los componentes del olor. El DNN empleó múltiples capas optimizadas para capturar las intrincadas relaciones entre sus composiciones y los aromas resultantes».

Para mejorar la precisión y generalización del modelo, el equipo aumentó los datos con mezclas aleatorias de espectros de aceites esenciales e introdujo ruido, asegurando que el modelo pudiera adaptarse a las complejidades del mundo real. Una vez que el modelo DNN generó las composiciones de los componentes de olor, los evaluadores humanos evaluaron los aromas generados por DNN junto con los aceites de referencia.

El DNN logró la mayor precisión en la predicción del descriptor de olor «floral» y menor precisión para el descriptor «amaderado». Las pruebas sensoriales confirmaron aún más la eficacia del modelo, ya que los panelistas humanos descubrieron que los aceites generados por DNN que utilizaban componentes de olor eran más similares a los aceites de referencia que aquellos con descriptores de olor añadidos. Estos hallazgos resaltan la capacidad del sistema para replicar con precisión perfiles de fragancias existentes y, en algunos casos, generar combinaciones completamente nuevas.

El estudio demuestra numerosos beneficios. La DNN puede reducir significativamente el tiempo y los costos involucrados en el desarrollo de fragancias al agilizar tanto el análisis químico como las evaluaciones sensoriales. Además, la DNN hace que la creación de fragancias sea escalable, lo que le permite adaptarse a diversas preferencias del mercado y demandas de los consumidores. En particular, el uso de DNN abre posibilidades innovadoras al permitir la generación de perfiles olfativos nuevos y únicos que quizás no se hubieran descubierto mediante métodos tradicionales.

De cara al futuro, las implicaciones de este estudio son profundas. «A medida que los modelos DNN sigan evolucionando, podrían permitir la creación de fragancias personalizadas adaptadas a las preferencias individuales. Además, este enfoque podría extenderse a otros dominios sensoriales, como el gusto, donde se podrían utilizar métodos similares para crear perfiles de sabor personalizados». dice Nakamoto.

Al combinar DNN, análisis químicoy pruebas sensoriales, el estudio enfatiza el potencial para replicar e innovar dentro de la industria de las fragancias. Con su capacidad para mejorar la eficiencia y la creatividad, una revolución en fragancia Se espera diseño, marcando el comienzo de una nueva era de innovación.