پژوهشگران موسسه فناوری توکیو در مطالعه اخیرشان اظهار کرده اند می توان از فناوری یادگیری ماشین برای طراحی رایحه های جدید استفاده کرد.
به گزارش ایسنا به نقل از تی ان، آیا می توانیم از روش های یادگیری ماشین (Machine Learning) برای پیش بینی داده های حسی مخلوطی از بوها و طراحی رایحه های جدید استفاده کنیم؟ نتایج یک مطالعه جدید که توسط پژوهشگران ژاپنی انجام شده نشان می دهد که می توان از فناوری یادگیری ماشین برای طراحی رایحه های جدید استفاده کرد. این روش جدید در صنایع مختلف مانند صنایع غذایی، بهداشتی، زیبایی و سلامتی و در کل، هر بخشی که رایحه و عطرها بسیار مورد توجه هستند، کاربرد دارد.
حس بویایی یکی از حواس اساسی گونه های جانوری است و برای یافتن غذا، درک جاذبه و احساس خطر بسیار مهم است. انسان، رایحه و عطرهای مختلف را با کمک گیرنده های بویایی بیان شده در سلول های عصبی بویایی خود تشخیص می دهد. این تاثیرات بویایی از مواد بودار روی سلول های عصبی، با ویژگی های مولکولی و خواص فیزیکوشیمیایی آن ها مرتبط است و این امر، امکان ایجاد بو و رایحه های مختلف را به افراد می دهد. روش های کنونی فقط تاثیرات بویایی را از ویژگی های فیزیکوشیمیایی مواد خوشبوکننده پیش بینی می کنند، ولی این روش نمی تواند داده های حسی را که برای ایجاد بو و رایحه ضروری است، پیش بینی کند.
برای مقابله با این موضوع، دانشمندان موسسه فناوری توکیو (Tokyo Tech) از استراتژی نوآورانه حل مسئله معکوس استفاده کرده اند. این روش به جای پیش بینی بو از داده های مولکولی، ویژگی های مولکولی را بر اساس برداشت بو پیش بینی می کند. این کار با استفاده از داده های طیف جرمی استاندارد و مدل های یادگیری ماشین (ML) به دست می آید. مسایل معکوس (Inverse Problems) دسته ای از مسایل اند که از لحاظ ریاضی، یافتن پاسخ نهایی آنها به وسیله روش های کلاسیک ممکن نیست.
پروفسور "تاکامیچی ناکاموتو" (Takamichi Nakamoto) رهبر این مطالعه گفت:در این مطالعه ما از یک مدل پیش بینی مبتنی بر یادگیری ماشینی که پیشتر برای به دست آوردن تاثیر بو ایجاد کرده بودیم، استفاده کردیم. سپس طیف جرمی حاصل از تأثیر بو را بطور معکوس بر اساس مدل قبلی توسعه یافته پیش بینی کردیم. این روش ساده امکان آماده سازی سریع طیف های پیش بینی شده مخلوطی از بوها را فراهم می کند و همچنین می تواند نسبت اختلاط مورد نیاز را که بخش مهمی از دستور تهیه بوهای جدید است، پیش بینی کند. با این اطلاعات و درک نسبت اختلاط صحیح مورد نیاز می توانیم از نظر تئوری رایحه موردنظر را تهیه کنیم.
این روش جدید که در این مطالعه توضیح داده شده است، میتواند پیش بینی های بسیار دقیقی از خواص فیزیکوشیمیایی مخلوطی از بوها و رایحه ها، همچنین نسبت های اختلاط مورد نیاز برای آماده سازی آن ها ارائه دهد و در نتیجه راه را برای توسعه طیف وسیعی از عطرهای سفارشی هموار می کند.
یافته های این مطالعه در مجله PLoS One منتشر شده است.
- 17
- 2
