Il documento, pubblicato su PLOS ONE, darebbe una spiegazione più completa di come il meccanismo di elaborazione dell'odore nel cervello venga rappresentato e come vengano categorizzati gli odori delle sostanze chimiche. Arvind Ramanathan, co-autore e membro della Divisione di Ingegneria e Scienze computazionali dell'ORNL, ha dichiarato che ciò aiuterebbe il tentativo di prevedere le impressioni mentali degli odori delle sostanze chimiche.
Ramanathan e i co-autori del Bates College e dell'Università di Pittsburgh ipotizzano che questo lavoro aiuti anche alla progettazione di sensori e di altre ricerche che sono state ostacolate da questo lacuna.
"Mentre il gusto ha cinque qualità fondamentali - dolce, aspro, amaro, salato e umami, o "saporito" - gli odori sono notoriamente difficili da descrivere e ancor più difficile da categorizzare", ha detto Ramanathan. "I nostri risultati indicano che ci sono circa 10 qualità di odori di base, che sono ciascuno associato a caratteristiche chimiche diverse."
A differenza delle papille gustative, in cui i sensi sono ben caratterizzati con identità chiare per i recettori e per come questi gusti vengano riconosciuti, per l'olfatto vi è una domanda fondamentale sulla qualità di base dell'odore. I ricercatori hanno definito questa come "spazio olfattivo" e hanno cercato di rispondere a questa domanda individuando discrete categorie di odore. Queste categorie sono intuitive - floreale, fruttato, dolce, acido - e si riferiscono alla diversità chimica dell'odore delle molecole.
Una chiave di questa ricerca era l'uso della "fattorizzazione in matrice non negativa", che i ricercatori definiscono come "una tecnica di riduzione della dimensionalità per scoprire una struttura in un pannello del profilo odore." La tecnica semplifica le informazioni e le ordina in categorie coerenti, simili al modo in cui una foto o un file digitale possono essere compressi senza compromettere la sua utilità intrinseca.
Questo approccio è stato utilizzato con successo in molti altri ambiti, tra cui il mondo finanziario o la caratterizzazione di immagini e video. Per questo studio, il team di ricerca ha utilizzato un set standard di dati di percezione olfattiva, presi da Andrew Dravnieks 'Atlante dei caratteristici profili degli odori' 1985.
"La fattorizzazione a matrice non negativa è utile a dividere il set di dati nelle sue parti costituenti." ha detto il co-autore Chakra Chennubhotla dell'Università di Pittsburgh, "Fa in modo che i dati ci dicano di quante parti sono composti, mentre le restrizioni in alcuni vincoli aiutano la tecnica a rivelarli".
Ulteriori approfondimanti al link:
www.ornl.gov/ornl/news/features/2013/the-science-of-scents
Fonte: chimicionline.it
