Makine öğrenmesiyle kokuları haritalamak kolaylaştı.

Görsel tasarımda Pantone nasıl renkleri tanımlıyorsa, kokular için de benzer bir “harita” fikri yıllardır bilim insanlarını meşgul ediyor. Monell Chemical Senses Center’dan araştırmacıların ortak yazarı olduğu yeni bir çalışma, makine öğrenmesiyle koku karışımları arasındaki benzerliği güvenilir biçimde ölçen bir ölçüt ve model sundu. Bulgular, kokuların sayısallaştırılması (dijital koku) yolunda somut bir zemin oluşturuyor ve PNAS’ta yayımlandı.

Kokular için ‘renk çarkı’ arayışı

Renk ve ses dünyasında olduğu gibi, kokuları da sayılarla temsil edebilmek; tanı koyma, gıda aroması ölçümü ve marka kokularının tescili gibi alanlarda işleri hızlandırabilir. Monell’den ortak yazar Joel Mainland, günlük yaşamda karşılaştığımız kokuların çoğunun tek bir molekülden değil, onlarca bileşenin oluşturduğu karışımlardan geldiğini hatırlatıyor. Bu nedenle ekip, tekil moleküllerden öte karışımların nasıl algılandığını matematiksel olarak haritalamaya odaklandı.

• Sağlık: Diyabet ve karaciğer yetmezliği gibi durumların ayırt edici koku imzalarının nesnel ölçümü

• Gıda: Tat-koku uyumunun nicel karşılaştırması, formülasyon optimizasyonu

• Marka kokusu: Belirli bir deterjan ya da ürün kokusunun tanımlanıp korunması

• Ürün geliştirme: Deneme-yanılma yerine daha hesaplı ve hızlı tasarım süreçleri

“Tek bir bileşenin ne koktuğunu tahmin edebiliyorsanız, bu bilgiden yola çıkarak karışımlar için de oldukça iyi bir öngörü yapabiliyorsunuz.” — Joel Mainland, Monell Chemical Senses Center

DREAM olfaksiyon yarışması: veri ve yöntem

Ekip, uluslararası takımları koku karışımlarının ikili benzerliğini kestirecek modeller geliştirmeye çağıran bir DREAM olfaksiyon yarışması düzenledi. Önce üç ayrı çalışmadan altı veri kümesini tek bir standart yapıda birleştirdiler: 168 tekil molekül, 731 benzersiz karışım ve 507 karışım-çifti ölçümü. Karışım çiftleri arasındaki uzaklık, 0 (ayırt edilemez) ile 1 (en farklı) arasında sürekli bir algısal ölçeğe yerleştirildi.

Üç ay süren yarışmada 26 takım, gizli bir test setindeki 46 karışım çifti için benzerlik puanlarını tahmin etmeye çalıştı. Dört takım aynı düzeyde başarıya ulaştı. Araştırmacılar, bu dört birincinin tahminlerini iki yüksek başarılı modelle ortalama alarak bir ansambl (birleşik) model kurdu. Model daha sonra 50 bağımsız karışım çifti üzerinde doğrulandı.

Modelin başarımı ve beklenmedik bulgular

Nihai model, ortalama karesel hata (RMSE) açısından 0,08 medyan değere ulaştı; 0 değeri kusursuz uyuma karşılık geliyor. Test setindeki Pearson korelasyonu ise 0,57 olarak raporlandı. Bu değerler, modelin koku karışımları arasındaki benzerliği öngörmede tatmin edici bir doğruluğa sahip olduğunu gösteriyor.

Duyusal bilim alanında birçok araştırmacı, karışımlar arasındaki benzerliği kestirmenin tekil moleküllere göre çok daha zor olacağını düşünüyordu. Ancak model, tekil bileşenlerin kokusu bilindiğinde karışımların da öngörülebileceğini ortaya koydu. İlginç bir başka bulgu da modellerin, “meyvemsi” ya da “tatlı” gibi anlamsal etiketleri, “ester” veya “molekül ağırlığı” gibi kimyasal terimlere kıyasla daha çok kullanması oldu. İnceleme sürecinde anlamsal özellikler çıkarıldığında tahmin yapmak belirgin biçimde zorlaştı.

Karışımlar ortalamaya yakın mı?

Ekip, üçüncü bir DREAM olfaksiyon çalışmasının sonuçlarını da yazıya döküyor. Bu kez takımlara, bir karışımdaki tek tek bileşenlerin insanlarca nasıl tanımlandığı verildi ve tüm karışımın nasıl algılanacağını tahmin etmeleri istendi. İlk gözlemler, karışıma dair algının bileşenlerin “ortalamasına” yaklaştığını düşündürüyor. Bu, koku karışımlarında beklenenden daha doğrusal bir birleşim olabileceğine işaret ediyor.

Dijital kokunun eşiğinde uygulamalar

Bu doğrulanmış ölçüt ve kıyaslama veri seti, dijital koku teknolojilerinin önünü açabilir. Geliştiriciler, formülleri hesapla daraltarak prototip sayısını azaltabilir. Sağlık tarafında ise klinik araştırmalarla desteklenmesi koşuluyla, belirli hastalık imzalarını kokudan yakalamaya yönelik cihazlar için bir başlangıç zemini oluşuyor. Gıda ve perakendede de ürün kokusunun standardize edilmesi, tedarik zinciri boyunca kalite takibi ve hatta hukuki tescil süreçleri bu tür haritalardan yararlanabilir.

Bibliyografik bilgi: Vahid Satarifard ve çalışma arkadaşlarının makalesi “A semantic-based community model for high-fidelity tuning of olfactory mixture distances” başlığıyla Proceedings of the National Academy of Sciences’da yayımlandı (DOI: 10.1073/pnas.2611057123).