Google AI desenvolve algoritmo capaz de identificar odores

A inteligência artificial fez avanços impressionantes nos últimos anos na imitação dos sentidos da visão e da audição. Mas um dos sentidos que se encontra atrasado nesse mimetismo digital é o olfato.

A percepção de odores em humanos resulta da ativação de 400 tipos diferentes de receptores olfatórios, presentes em 1 milhão de neurônios sensíveis ao olfato, em uma pequena parte do cérebro chamada de epitélio olfatório. Quando ativados, esses neurônios enviam sinais para o bulbo olfatório, o qual repassa a informação para outras estruturas do cérebro. Durante esse processamento, os odores ganham um caráter subjetivo, que é a experiência que sentimos, e que serve, pelo menos num nível mais básico, para que consigamos identificar o material que está exalando determinado odor.

Baseado nos avanços análogos em deep learning para visão e som, é de se esperar que seja possível prever o resultado sensorial olfatório elicitado por uma molécula, mesmo sem que se conheçam todos os detalhes do sistema biológico que realiza a mesma tarefa. Pequenas moléculas odorantes são o bloco fundamental de sabores e fragrâncias, representando o componente mais básico para o problema de predição de odores. Ainda assim, uma única molécula pode ser descrita por mais de um odor, o que faz da tarefa um problema de classificação multi-label, ou seja, cada molécula pode possuir mais de uma categoria. Considerando essas características, pesquisadores do Google AI acabam de publicar um artigo onde eles descrevem a utilização de redes neurais do tipo grafo (GNNs) para prever descritores de odor a partir de moléculas individuais, sem o uso de regras desenvolvidas manualmente.

Os autores escolheram essas redes porque a estrutura das moléculas pode ser considerada um grafo, onde os átomos formam os vértices e as ligações formam as arestas. O processo começa representando cada vértice/átomo por um vetor contendo características do átomo em questão, como sua identidade ou carga. Então, cada vértice “emite” seu vetor a cada um dos seus vizinhos, num processo chamado de troca de mensagem, e uma função de atualização usa os vetores que recebe para gerar um vetor atualizado. O processo é iterativo, sendo que no final, a molécula é sumarizada em um único vetor através da soma ou da média dos vetores individuais. Esse vetor pode então ser usado em uma rede neural tradicional, para treinamento do problema de classificação. O trabalho fez uso de duas bases de dados contendo 5030 moléculas rotuladas por especialistas – por isso alguns descritores são bastante incomuns, como seco ou suculento. Os resultados apresentados, exemplificados na figura abaixo, representam uma melhoria frente ao melhor método atualmente disponível.

Comparação das métricas AUROC, para 5 tipos de odor diferentes (em destaque), entre o modelo GNN
e o modelo estado-da-arte atual.
Créditos: Google AI.

Os autores também perceberam que era possível extrair vetores de camadas internas do modelo para servir como embeddings de odor, que se comportaram adequadamente quando usados em outras tarefas de machine learning relacionadas ao olfato, expandindo o conceito de transfer learning também para essa área emergente de olfato computacional.

A aplicação mais imediata de um sistema artificial capaz de reconhecer odores é na pesquisa de novas moléculas sintéticas odorantes, o que pode reduzir o impacto ecológico de extrair produtos naturais. Outra possibilidade é que a representação digital de odores permita a troca de informações através da internet, com a síntese das moléculas odorantes no destino. Além disso, assim como houve na visão computacional, os modelos podem nos ajudar a entender melhor a própria biologia do olfato.

Sê o primeiro

Deixe uma resposta

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *