A diferencia de la vista o el oído, donde determinadas propiedades físicas pueden medirse mediante longitudes de onda de la luz o frecuencias del sonido, el sentido del olfato ha sido históricamente difícil de modelar. Predecir cómo olerá una sustancia basándose únicamente en su estructura química sigue siendo un problema complejo. Dos moléculas con estructuras muy parecidas pueden generar perfiles olfativos muy distintos, mientras que moléculas estructuralmente diferentes pueden compartir descriptores aromáticos. Estas discontinuidades han limitado los enfoques tradicionales de la quimioinformática, que no siempre logran captar la complejidad de la percepción humana.
Para abordar este desafío, un equipo multidisciplinar de investigadores recurrió a las redes neuronales de grafos —GNN, por sus siglas en inglés—. Este enfoque de inteligencia artificial representa las moléculas como redes interconectadas de átomos y enlaces, en lugar de tratarlas únicamente como listas de propiedades químicas, y aprende patrones estructurales relacionados con sus descriptores olfativos. Sin embargo, procesar la estructura no era suficiente; también hacía falta relacionar esos datos con percepciones sensoriales. Aquí entra en juego el Mapa Principal de Olores —POM, por sus siglas en inglés—. En el modelo publicado, el POM corresponde a una representación vectorial de 256 dimensiones obtenida en la penúltima capa de la GNN. Las moléculas se distribuyen en ese espacio de forma que la proximidad entre sus representaciones intenta reflejar la semejanza de sus perfiles olfativos. En un ensayo con 323 moléculas evaluables, 55 descriptores y 15 panelistas, el modelo quedó más cerca del promedio del panel que el evaluador mediano en el 53 % de las moléculas. Este resultado se limita a esas condiciones experimentales y no implica que el modelo reproduzca de forma general el olfato humano.
Cómo funcionan las Redes Neuronales de Grafos. Entendiendo la estructura molecular desde una nueva perspectiva.
Para entender cómo una inteligencia artificial puede anticipar que una molécula será descrita, por ejemplo, como floral o cítrica, hay que conocer una herramienta llamada Red Neuronal de Grafos o GNN. La IA no huele como una persona: analiza la molécula como si fuera un mapa, en el que los átomos son puntos y los enlaces químicos son las líneas que los conectan. A partir de ese mapa, aprende patrones que relacionan determinadas estructuras moleculares con ciertos descriptores de olor.
Las GNN permiten trabajar directamente con cada molécula como un “grafo”: una red matemática donde los átomos son nodos y los enlaces químicos son las aristas que los unen. Este modelo permite a la red neuronal procesar la topología molecular y combinar información sobre átomos y enlaces de forma estructurada, aprendiendo patrones asociados con subestructuras relevantes para la propiedad que se quiere predecir. Esto no significa que la red determine automáticamente la influencia causal de cada grupo funcional.
Durante el entrenamiento, la GNN analiza moléculas cuya descripción olfativa ya se conoce y aprende a crear para cada una una especie de “ficha numérica”. El reto es que la relación entre estructura y olor no siempre es directa: dos moléculas muy parecidas pueden tener aromas muy distintos, mientras que otras con estructuras diferentes pueden compartir una misma nota olfativa. Es como si dos llaves casi idénticas abrieran puertas distintas, y dos llaves de aspecto diferente abrieran la misma puerta. En el modelo desarrollado por Brian K. Lee y sus colaboradores (que publicaron en 2023 el artículo A principal odor map unifies diverse tasks in olfactory perception en la revista Science) cada ficha contiene 256 valores y sitúa la molécula dentro de un espacio matemático llamado Mapa Principal de Olores o POM.
El Mapa Principal de Olores (POM). Traduciendo átomos en sensaciones navegables.
El Mapa Principal de Olores (POM, por sus siglas en inglés) no es una segunda tecnología añadida a la GNN, sino la representación interna que esta aprende en el modelo desarrollado por los investigadores. Si la GNN es el motor que analiza la estructura química, el POM es el mapa de navegación que organiza las relaciones entre los perfiles olfativos descritos por personas. En este espacio vectorial de 256 dimensiones, cada molécula recibe unas coordenadas calculadas a partir de su estructura. Durante el entrenamiento, esa organización se aprende con ayuda de descriptores como «afrutado», «amaderado» o «mentolado».
La GNN se entrena para predecir esos descriptores olfativos. Como resultado, la representación interna tiende a situar cerca las moléculas con perfiles descriptivos similares, incluso cuando sus estructuras químicas son diferentes. Esta proximidad indica una semejanza prevista por el modelo, pero no garantiza que todas las personas perciban las moléculas del mismo modo ni en cualquier concentración o contexto. Esta representación amplía las posibilidades de la disciplina. Puede ayudar a predecir descriptores para moléculas no incluidas en el entrenamiento y a priorizar candidatos para su posterior estudio como posibles componentes de fragancias. No sustituye la evaluación experimental ni reproduce toda la complejidad del olor, pero ofrece un puente cuantitativo entre la estructura química y determinados aspectos de la percepción olfativa humana.
Validación frente a paneles humanos. Comparando la IA con la percepción humana.
Para comprobar la fiabilidad del modelo y del POM, un equipo internacional de investigadores —con expertos de Google Research, el Monell Chemical Senses Center y la Universidad de Reading— probó 400 moléculas que no formaban parte del conjunto de entrenamiento; tras las exclusiones por control de calidad, 323 quedaron en el análisis principal. El objetivo era evaluar si el sistema podía predecir sus perfiles olfativos.
El modelo se entrenó con aproximadamente 5.000 moléculas etiquetadas y se evaluó a ciegas frente a un panel de 15 personas entrenadas, que calificaron cada sustancia mediante 55 descriptores olfativos. En una selección dirigida de 50 compuestos se emplearon cromatografía de gases-espectrometría de masas y cromatografía de gases-olfatometría para determinar si las impurezas podían distorsionar el olor percibido.
En el 53 % de las 323 moléculas evaluables, el perfil del modelo se acercó más a la media del panel que el del panelista mediano. En una prueba con 41 «tríos discordantes» —casos en los que la molécula estructuralmente más parecida no era la más similar en términos olfativos—, el sistema acertó en el 50 %, frente al 19 % de un modelo de referencia basado en huellas moleculares y bosque aleatorio; aun así, no fue infalible.
Aplicaciones en perfumería, alimentación y salud
Las implicaciones de esta tecnología podrían ir más allá del laboratorio. Al permitir el cribado virtual de grandes conjuntos de moléculas, el mapa de olores ofrece una vía para que sectores como la perfumería, la cosmética y la alimentación prioricen nuevos candidatos aromáticos antes de sintetizarlos o ensayarlos. Su sostenibilidad, biodegradabilidad y potencial alergénico deben evaluarse por separado mediante métodos computacionales y, cuando corresponda, pruebas experimentales específicas.
En la investigación sobre el control de vectores, una línea relacionada —basada también en GNN, pero entrenada específicamente con cerca de 19.000 mediciones históricas de repelencia— identificó más de diez moléculas con resultados comparables o superiores a repelentes de referencia en determinados ensayos de laboratorio. No es una aplicación directa del POM, pero muestra el potencial de estas técnicas para acelerar la búsqueda de compuestos contra mosquitos y garrapatas. Estos resultados no demuestran todavía su eficacia en condiciones de campo, su seguridad ni su viabilidad comercial.
En el contexto europeo, donde la regulación REACH establece requisitos para la evaluación y gestión de los riesgos químicos, las herramientas predictivas podrían facilitar la búsqueda y priorización de alternativas con las propiedades sensoriales deseadas. Sin embargo, sus predicciones no garantizan el cumplimiento normativo: la toxicidad, la estabilidad y el impacto ambiental deben evaluarse mediante los métodos computacionales o experimentales apropiados. Grupos de investigación y empresas tecnológicas como Osmo ya exploran este campo de diseño molecular asistido por inteligencia artificial.
Hacia una nueva era sensorial digital
Las Redes Neuronales de Grafos y el Mapa Principal de Olores representan un avance relevante: ofrecen una forma útil de relacionar la estructura de una molécula con descriptores olfativos. Sin embargo, el POM original de 2023 no equivale a los sistemas de representación del color o el sonido, porque el olfato no se organiza en torno a una única dimensión física universal y ese modelo no incorpora explícitamente la concentración ni fue diseñado para predecir el comportamiento de las mezclas. Su valor reside en proporcionar a científicos e industrias una herramienta predictiva que complementa, pero no reemplaza, la evaluación sensorial humana.
El impacto de este avance podría traducirse en una priorización más eficiente de candidatos y, si sus resultados se validan experimentalmente, en procesos de formulación más rápidos y nuevas vías para desarrollar productos. Técnicas relacionadas, entrenadas específicamente con datos de repelencia, también han identificado candidatos prometedores para la protección frente a mosquitos y garrapatas, aunque todavía deben evaluarse su seguridad y eficacia en condiciones reales.
A medida que estos modelos se amplíen con nuevos datos y colaboraciones interdisciplinares, la comunidad científica y el sector industrial podrán explorar este universo digital con mayor rigor. El objetivo será desarrollar herramientas y productos más eficientes, sin perder de vista que toda predicción deberá confirmarse mediante pruebas experimentales.
