Recenti scoperte suggeriscono che l‘olfatto umano può distinguere oltre un trilione di profumi unici. Il metodo prevalente per creare nuove fragranze dipende in gran parte dal tradizionale approccio per tentativi ed errori, una procedura piuttosto dispendiosa in termini di tempo e denaro.
Attualmente, l’industria degli aromi e delle fragranze vanta un repertorio di circa 10.000 oli essenziali e profumi. Lo sviluppo di un nuovo profumo in genere comporta ben mille test utilizzando le fragranze disponibili. Una pratica così intricata può durare fino a tre anni e comportare costi che raggiungono i 50.000 dollari per kg di profumo.
Ad oggi, nel campo delle fragranze sono stati fatti passi da gigante. Colmare il divario tra la chimica del profumo e la percezione del consumatore è, tuttavia, ancora una sfida. Lo sviluppo di uno strumento capace di originare molecole profumate con obiettivi specifici, come, ad esempio, l’accettazione da parte del cliente, rappresenterebbe un balzo in avanti monumentale per il settore.
Lo studio
Il presente lavoro, pubblicato su Computers & Chemical Engineering, propone una metodologia completa per categorizzare i profumi in base ai profili di fragranza e prende in esame la creazione di molecole odorose innovative sfruttando reti neurali avanzate.
In primo luogo, vengono impiegate tecniche di web scraping per raccogliere i diversi attributi di profumo. Successivamente, un algoritmo k-means consente il clustering delle fragranze, aprendo la strada al consiglio di quelle simili ai consumatori.
Il processo collega, quindi, le preferenze dei clienti al design molecolare, incorporando i vari feedback nella generazione di nuove molecole profumate tramite Graph Neural Networks (GNNs).
L’applicazione di quest’ultime diverge dalle tecniche comunemente impiegate nei tradizionali sistemi di raccomandazione, frequentemente basati sul filtraggio collaborativo, sul filtraggio in virtù dei contenuti o su modelli ibridi.
In aggiunta, il sistema descritto si avvale di una generazione di output distintiva: non solo suggerisce articoli esistenti, ma dà luogo anche a molecole profumate che si adattano alla fragranza raccomandata.
Le conclusioni
Lo studio soprariportato presenta un metodo per analizzare quantitativamente la relazione tra struttura molecolare dei profumi e percezione olfattiva umana, contribuendo così alla comprensione del campo della psicofisica degli odori.
Il modello in esame consente di estrarre e utilizzare sistematicamente il feedback dei consumatori da piattaforme digitali per informare il processo di progettazione molecolare, assicurando così maggiori probabilità di successo, rimarcando l’importanza di integrare l’analisi di mercato nella progettazione del prodotto.
Permette, inoltre, di progettare e convalidare un generatore di molecole basato sull’intelligenza artificiale, appositamente pensato per la previsione degli odori, una novità assoluta nell’ambito della chimica delle fragranze.
Da ultimo, l’approccio IA indagato per prevedere le molecole profumate più efficaci in base al feedback degli acquirenti riduce potenzialmente il lungo e costoso processo di tentativi ed errori tradizionalmente associato alla creazione di una fragranza.
Sono, comunque, necessari ulteriori esperimenti per garantire un odore gradevole e per determinare la composizione relativa di ogni molecola, nonché quale solvente sia preferibile impiegare.
Bruno C.L. Rodrigues, Vinicius V. Santana, Luana P. Queiroz, Carine M. Rebello, Idelfonso B․ R․ Nogueira; Harnessing graph neural networks to craft fragrances based on consumer feedback; Computers & Chemical Engineering, Volume 185, 2024, 108674, ISSN 0098-1354, https://doi.org/10.1016/j.compchemeng.2024.108674
