Comparaison de parfums par la combinaison de l'apprentissage automatique et de la chimie analytique

Perfumes comparison by combination of machine learning and analytical chemistry

• Auteur / Autrice : Jean-Baptiste Coffin
• Direction : Sebastien Fiorucci, Sylvain Antoniotti
• Type : Projet de thèse
• Discipline(s) : Doctorat chimie
• Date : Inscription en doctorat le 01/03/2022
• Etablissement(s) : Université Côte d'Azur
• Ecole(s) doctorale(s) : École doctorale Sciences fondamentales et appliquées
• Partenaire(s) de recherche : Laboratoire : ICN - Institut de Chimie de Nice

Mots clés

Mots clés libres

Chimie analytique

Parfum

Apprentissage automatique

Analytical chemistry

Parfum

Machine learning

Résumé

Le cerveau est l'organe le plus complexe du corps humain. Ses milliards de neurones établissent des connexions spécifiques en fonction de leurs programmes génétiques et de leurs activités neuronales. Parmi les signaux externes, les odeurs sont sans doute les plus complexes. L'odorat est un sens puissant qui peut déclencher des émotions intenses, des comportements stéréotypés et des souvenirs durables auxquels aucun autre sens ne peut accéder. Décoder les dimensions psychologiques de la perception des odeurs est depuis longtemps une question centrale de la recherche olfactive. Les scientifiques travaillant sur l'olfaction ainsi que les professionnels de la parfumerie ont tenté d'établir des normes pour la description, la mesure et la prédiction de la qualité des odeurs. Plusieurs systèmes de classification des odeurs ont été développés au cours des dernières décennies mais restent incomplets pour expliquer les facteurs liés à l'organisation de notre système olfactif et aux différences interindividuelles dans les capacités perceptives et verbales des sujets. Les parfums sont des mélanges complexes composés de nombreux ingrédients qui diffèrent par leur structure chimique, leur seuil de perception et leur concentration relative. Une molécule odorante, même à très faible concentration, peut avoir un fort impact sur l'odeur/saveur perçue et masquer les autres molécules du mélange, et les propriétés perceptives ne peuvent donc pas être directement expliquées à partir de la structure des molécules individuelles. L'étude de ses constituants est alors essentielle pour décrire le parfum dans son ensemble. L'objectif du projet est d'exploiter les données décrivant des matrices moléculaires complexes pour développer de nouvelles métriques de similarité basées sur des modèles d'intelligence artificielle. La première partie du projet sera consacrée à la mise en place d'une base de données moléculaire de parfums obtenue à partir d'expériences de chimie analytique. Dans un deuxième temps, la base de données alimentera des modèles d'apprentissage automatique, ainsi que d'apprentissage profond, conçus pour prédire la similarité entre deux parfums.

The brain is the most complex organ in the body. Its billions of neurons make specific connections according to their genetic programs and neuronal activities. Among the external signals, odors are arguably the most complex. The sense of smell is a powerful sense that can trigger intense emotion, stereotyped behaviors and lasting memories that cannot be accessed by any other sense. Decoding the psychological dimensions of odor perception has long been a central issue in olfactory research. Scientists working on olfaction as well as perfumery professionals have tried to establish standards for the description, measurement, and prediction of the quality of odors. Several odor classification systems have been developed in recent decades but remain incomplete to explain factors related to the organization of our olfactory system and to the inter-individual differences in the perceptual and verbal capacities of the subjects. Perfumes are complex mixtures made of numerous ingredients that differ in their chemical structure, perception threshold, and relative concentration. An odorant molecule, even at very low concentration, may have a strong impact on the perceived odor/flavor and mask the other molecules of the blend, and thus the perceptual properties cannot be directly explained from the structure of individual molecules. The study of its constituents is then essential to describe the perfume as a whole. The objective of the project is to mine the data describing complex molecular matrices to develop new similarity metrics based on artificial intelligence models. The first part of the project will be dedicated to setup a molecular database of perfumes obtained from analytical chemistry experiments. In a second step, the database will feed machine learning, as well as deep learning, models designed to predict the similarity between two perfumes.