Mezclas de olores: la clave estaba en las palabras — GrassAccord lee el estudio «Predecir la distancia entre mezclas de olores»

Imagine dos tiras de prueba justo bajo su nariz. Una lleva una mezcla de olores hecha con 10 moléculas. La otra también, pero las dos mezclas no comparten ni una sola molécula. Y aun así, para la nariz humana huelen bastante parecido.

¿Por qué ocurre esto? ¿Y se puede conocer el resultado antes de mezclar? Un estudio publicado en agosto en Proceedings of the National Academy of Sciences (PNAS) recoge cómo 26 equipos de investigación de todo el mundo se enfrentaron juntos a esta vieja pregunta.

El resultado fue inesperado. La mejor clave para predecir el olor de una mezcla no fue leer directamente la forma de las moléculas. Las predicciones fueron más exactas cuando pasaron por las palabras con las que nombramos los olores, como «afrutado» o «herbal».

Si acaba de empezar en la perfumería, es probable que se haya planteado estas dudas:

• ¿De verdad ayuda a mejorar describir un olor con palabras?
• Dos aromas que ayer parecían iguales hoy me parecen distintos. ¿Le pasa algo a mi nariz?
• ¿Compondrá pronto la inteligencia artificial los acordes por mí?

Este estudio ofrece pistas sobre las tres preguntas. En la primera parte contamos qué hizo el equipo y qué descubrió; en la segunda añadimos nuestro comentario sobre cómo quienes aprenden perfumería pueden aprovechar estos resultados en el órgano de perfumista. Los términos desconocidos se explican al final, así que puede leer con tranquilidad.

Primero, ¿de qué estudio se trata?

• Título: A semantic-based community model for high-fidelity tuning of olfactory mixture distances (un modelo común que usa el significado de las palabras para ajustar con precisión las distancias entre mezclas de olores)
• Autores: un amplio equipo colaborativo encabezado por Vahid Satarifard y Pablo Meyer. Participaron instituciones de varios países, entre ellas la Universidad de Yale, la Universidad Rockefeller, el Monell Chemical Senses Center, el Instituto Weizmann e IBM Research. Leslie B. Vosshall, Noam Sobel y Joel D. Mainland, conocidos por sus investigaciones sobre el olfato, también son coautores.
• Publicado en: Proceedings of the National Academy of Sciences (PNAS), volumen 123, número 32, publicado el 4 de agosto de 2026. El estudio ha pasado la revisión de la revista.
• Leer el original: doi.org/10.1073/pnas.2611057123 — gratuito para cualquiera (en inglés).
• A tener en cuenta: el estudio trata sobre mezclas de moléculas creadas para la investigación, no sobre perfumes. Los propios autores mencionan el diseño de perfumes solo como una de las posibles aplicaciones futuras.

¿Por qué elegimos este estudio?

En nuestra primera presentación de un estudio miramos desde arriba, a través de las cifras, unos 170.000 perfumes. Aquello era un mapa del mercado y de la cultura. Esta vez vamos en la dirección exactamente opuesta: observamos de cerca la nariz de una persona sentada ante dos tiras de prueba.

La perfumería es, al fin y al cabo, el arte de mezclar. Sin embargo, las reglas que existen para los ojos y los oídos aún no existen para la nariz. El rojo, el verde y el azul crean los colores de una pantalla, y el sonido puede describirse dividiéndolo en frecuencias. El equipo de investigación señala que el olfato todavía no tiene un marco comparable. Por eso los perfumistas han confiado durante tanto tiempo en la experiencia y en su nariz.

Este estudio tiende sobre ese vacío un primer puente bastante firme. No es un puente terminado. Pero, como muestra con honestidad hasta dónde se ha llegado y dónde se corta, es un buen material de estudio para quien aprende perfumería.

¿Se puede hacer un mapa del olfato?

Antes de entrar en materia, veamos por qué se celebró esta competición.

El olor de una sola molécula ya se acierta bastante bien

Predecir un olor solo a partir de la estructura de una molécula fue durante mucho tiempo un problema de dificultad notoria. Pero en los últimos 10 años la situación ha cambiado. La primera competición olfativa DREAM demostró que un ordenador podía predecir, a partir de la estructura molecular, descripciones de olor como ajo, dulce o floral.

En 2023 llegó un modelo llamado mapa principal de olores (POM), un mapa que sitúa las estructuras moleculares en un espacio de olores. Según el estudio, este modelo obtuvo mejores resultados al predecir descripciones de olor que una persona mediana de un panel. Muchos equipos de esta competición usaron precisamente este mapa como ingrediente.

Pero la mayoría de los olores del mundo son mezclas

El problema viene después. Los olores de la vida diaria, como el café, las flores o los perfumes, suelen ser mezclas de decenas o centenares de moléculas. De poco sirve en el mundo real acertar una molécula si no se puede predecir qué ocurre al mezclarlas.

Si ya ha probado la perfumería, conocerá bien esta dificultad. A veces se mezclan dos buenas materias y sale un olor muy distinto del esperado, y otras veces una materia añadida parece desaparecer. Hacía falta una referencia pública para predecir mezclas, y por eso se organizó una competición en la que varios equipos se midieron con el mismo problema.

¿Cómo fue la competición de 26 equipos?

Experimentos dispersos, reunidos en uno

El equipo unió primero seis conjuntos de datos procedentes de tres estudios realizados por separado. Una vez reunidos, el volumen era este.

• 168 moléculas individuales
• 731 mezclas diferentes
• 507 mediciones que comparan dos mezclas

Como los experimentos se habían hecho de maneras distintas, todos los resultados se llevaron a una sola escala. El 0 significa que los dos olores no se pueden distinguir, y el 1, que no podrían ser más distintos. El equipo llama a este número distancia entre olores. Igual que se mide entre dos ciudades en un mapa, se mide entre dos olores.

Tres meses de competición

Esta competición se llama DREAM Challenge: varios equipos se miden públicamente en su capacidad de predicción ante un mismo problema. Los 26 equipos afinaron sus modelos de inteligencia artificial durante unos tres meses y después hicieron una prueba final con 46 pares de mezclas cuyas respuestas estaban ocultas.

Los ejercicios se podían enviar hasta tres veces por semana y ver la puntuación. Durante la competición se enviaron 159 predicciones de práctica, y 19 equipos llegaron hasta la prueba final.

No hubo un resultado limpio. Cuatro equipos, D2Smell, UMich CASI, ChemSenSim Lab y belfaction, empataron en el primer puesto. El equipo de investigación cree que, con solo 46 pares, habría sido difícil separarlos. Así que, en lugar de elegir a uno, crearon un modelo combinado que promedia las predicciones de los seis mejores modelos. El protagonista del estudio es este modelo combinado.

Comprobado dos veces por narices humanas

Quienes corrigieron las respuestas de la inteligencia artificial fueron narices humanas. Hubo dos pruebas.

• Primera prueba (Nueva York, Universidad Rockefeller) — Participaron 34 personas. 92 mezclas formaron 46 pares, y cada mezcla se hizo con 10 componentes sin coincidencias entre las dos mezclas de un par. Se usó una prueba triangular, en la que se elige, entre tres frascos, el que huele distinto.
• Segunda prueba (Filadelfia, Monell Chemical Senses Center) — Participaron 16 personas una vez terminada la competición. 59 mezclas de nuevo diseño formaron 50 pares, con 9 a 11 componentes por mezcla. Los participantes puntuaron directamente cuánto se parecían dos olores.

La segunda prueba tenía un curioso mecanismo de seguridad. Se comparó una molécula con olor a ajo con otra con olor a piña, y una molécula con olor a fresa consigo misma. Los participantes juzgaron lejano el primer par y muy cercano el segundo. Es la prueba de que la escala funcionaba bien.

Solo dos números que conviene conocer

En este estudio aparecen una y otra vez dos números. Pueden parecer difíciles, así que hagámonos una idea sencilla.

El coeficiente de correlación indica cuánto se mueven la predicción y la realidad en la misma dirección. Con 1 se mueven perfectamente juntas, y con 0 no hay ninguna relación. Un 0,61 no significa un 61 % de aciertos. Basta con entender que el modelo suele señalar también como más lejanos los pares que las personas perciben como más lejanos.

El error medio (el RMSE del estudio) indica cuánto se desvió de media la predicción respecto a la distancia real. Cuanto más pequeño, mejor. Con 0,08, la predicción falla aproximadamente en esa cantidad en la escala de 0 a 1.

Recuerde, por tanto, el coeficiente de correlación como «¿acierta el orden?» y el error medio como «¿qué tan cerca están los valores?».

¿Qué tan preciso fue el modelo combinado?

Superó con claridad a los métodos existentes

En la primera prueba, el modelo combinado registró un error medio de 0,08 y un coeficiente de correlación de 0,57. En comparación con los principales métodos existentes, el error bajó alrededor de un 33 % y el coeficiente de correlación subió un 53 %. También fue mejor que el modelo de cualquier equipo de la competición por separado.

Aquí hay un punto que merece atención. Tras la competición, el equipo creó un nuevo modelo usando solo las características que parecían más importantes. Este modelo no alcanzó al modelo combinado y se quedó al nivel de los mejores equipos por separado. La interpretación del equipo es esta: elegir buenos ingredientes no basta, y solo reuniendo enfoques diferentes se llega a ese nivel.

Aguantó ante problemas nunca vistos

Un modelo que solo resuelve bien los problemas de la competición sirve de poco. Por eso, después de la competición, se volvió a probar con 50 pares de nuevo diseño. El error medio del modelo combinado subió a 0,13, pero mantuvo un buen rendimiento. Es significativo, teniendo en cuenta que el lugar, los participantes y el método de la prueba eran distintos.

Los resultados cambiaron según el tipo de problema

Los 46 pares de la prueba final se dividían en tres grupos: 16 pares creados al azar, 20 pares diseñados por personas para que se percibieran parecidos y 10 pares igualados con un método de cálculo de distancia ya existente. Los equipos no sabían a qué grupo pertenecía cada par.

El error medio del modelo combinado fue pequeño en los dos grupos diseñados, de 0,07 y 0,06, y de 0,10 en el grupo aleatorio. El coeficiente de correlación fue al revés: algo más alto en el grupo aleatorio, con 0,45, y de 0,38 en los otros dos. El equipo añade que, al haber pocos pares, las cifras de los grupos pequeños deben leerse con cautela.

¿Por qué las palabras superaron a la estructura molecular?

Este será probablemente el resultado más citado del estudio.

Dejando solo las palabras, mejoró

El equipo hizo un experimento quitando del modelo un ingrediente tras otro. Eliminó las características químicas de las moléculas, la información de los receptores de nuestro cuerpo y la información de las mezclas, y dejó solo lo que corresponde a las palabras con las que nombramos los olores.

El resultado fue sorprendente. El modelo combinado solo con palabras logró en la primera prueba un coeficiente de correlación de 0,61 y un error medio de 0,075, mejor incluso que el modelo combinado con todos los ingredientes. También en la segunda prueba su coeficiente de correlación de 0,54 fue un 15 % más alto.

En cambio, el modelo sin palabras empeoró mucho. En la primera prueba su coeficiente de correlación cayó a 0,41, y en la segunda se acercó al nivel de responder al azar.

¿Qué significa aquí «palabras»?

Este punto se presta a confusión, así que seamos precisos. No se introdujeron notas de olfacción escritas por personas que hubieran olido las mezclas. El ordenador mira la estructura de una molécula y predice primero «¿cómo llamaría la gente a esta molécula?». Asigna probabilidades a 138 palabras, como afrutado o herbal. Después, las combinaciones de palabras obtenidas así sirven para comparar dos mezclas.

Es decir, no se pasa directamente de la molécula a la distancia olfativa, sino que se hace una estación intermedia en las palabras. Lo sorprendente es que estas palabras se aprendieron de moléculas individuales puras, no de mezclas, y aun así explicaron bien las distancias entre mezclas.

El equipo da un paso más. Quizá el olor de una mezcla no surja de un principio fundamentalmente distinto del de una molécula individual. Tal vez lo difícil no esté tanto en la «etapa de mezclar» como en la «etapa de pasar de la molécula al olor». Con todo, el estudio también indica que algunos investigadores se oponen a esta opinión.

¿Qué palabras pesaron más?

Un equipo agrupó las 138 palabras en 12 familias. En su modelo, las familias con mayor influencia fueron afrutado, herbal y hierbas, y frutos secos, graso y tostado.

Los resultados también variaron de una palabra a otra. En el análisis del mismo equipo, verde, limpio y coñac se asociaron a una reducción del error, mientras que violeta, aromático y natural se asociaron a un aumento. El equipo de investigación advirtió que este resultado es difícil de interpretar directamente. Aun así, resulta interesante que aparezca una palabra tan amplia como «natural». Esto es una impresión nuestra, no una conclusión del estudio.

No hacen falta muchos ingredientes

El equipo fue acumulando, modelo por modelo, las características de mayor influencia. Entre los modelos más precisos, tres alcanzaron la mitad de la influencia total con menos de 100 características. Otro necesitó unas 1.000, así que la diferencia es grande. Esto significa que, para explicar la distancia olfativa, no siempre hacen falta muchos ingredientes complejos.

¿Qué tan fiable es la nariz humana?

El registro humano es el techo

Este es el pasaje más honesto del estudio. El equipo midió también cuánto repiten la misma respuesta las mismas personas cuando juzgan de nuevo. En la segunda prueba, los participantes juzgaron dos veces con al menos un día de diferencia, y el coeficiente de correlación entre ambos resultados fue de 0,74. En la primera prueba, el valor obtenido al comparar dos mitades fue de 0,69.

Si se piensa, es lógico. Ni siquiera la media de los juicios humanos se repite a la perfección. Por tanto, es difícil que un modelo acierte a las personas mejor de lo que se aciertan ellas mismas. El 0,61 y el 0,54 del modelo solo con palabras aún no alcanzan ese techo. El propio equipo reconoce que sigue habiendo un hueco entre el modelo y las personas.

Falla con pares muy parecidos o muy distintos

El modelo fue más preciso con distancias de 0,5 a 0,8, porque ahí se concentran los datos de entrenamiento. Las mezclas hechas al azar suelen caer en este rango.

En cambio, por debajo de 0,5 y por encima de 0,8, el error creció. Los modelos mostraron la costumbre de llevar sus predicciones hacia el centro: estimaban los pares muy parecidos algo más lejanos de lo real, y los muy distintos, algo más cercanos.

Esto importa a los perfumistas. El juicio más difícil en la práctica es separar dos pruebas «casi idénticas, pero con algo distinto». Justo ahí es donde los modelos actuales son más débiles.

El modelo nuevo no siempre ganó

Al dividir la segunda prueba en cinco tramos según la distancia, en el tramo más parecido el error del modelo anterior, el mapa principal de olores, fue menor. En los otros cuatro tramos iban por delante el modelo combinado y el modelo solo con palabras. Esto muestra que una buena media global no significa buenos resultados en todos los tramos.

¿En qué se diferencia de un perfume real?

No conviene trasladar este estudio tal cual al perfume. Entre las mezclas de laboratorio y los perfumes reales hay grandes diferencias.

• Mezclas con intensidad igualada — En la mayoría de los datos, la intensidad de los componentes se igualó de antemano. En un olor real, los componentes fuertes tapan a los débiles, y el carácter cambia según la concentración. El equipo escribe que tratar la intensidad es una tarea pendiente.
• Número de componentes — Las mezclas de prueba tenían unos 10 componentes. El equipo explica que los olores cotidianos suelen ser mezclas de decenas o centenares de moléculas.
• Materias limitadas — La gama de moléculas usadas es estrecha. Aún no se sabe si funcionará con moléculas nuevas.
• Un juicio de un instante — El estudio preguntó cuánto se parecen dos olores. No preguntó cómo cambia un olor con el tiempo ni si gusta a la gente.

Recuerde sobre todo el último punto. La distancia solo dice cuán distintos son dos olores. No dice cuál huele mejor.

Hay, eso sí, una buena noticia. El equipo ha hecho públicos sus datos, sus modelos y su código. Eso significa que cualquiera puede probar un método mejor con el mismo problema. Pero que sea público no quiere decir que exista una herramienta en la que un perfumista introduzca dos acordes y obtenga enseguida la distancia. Por ahora, se acerca más a una referencia para investigadores.

¿Qué es un metámero? Materias distintas, el mismo olor

Uno de los conjuntos de datos del estudio procede de una investigación que quería crear metámeros olfativos. Un metámero es un par de mezclas que se perciben parecidas aunque no compartan ningún componente. En términos de color, se parece al fenómeno por el que luces de composición distinta se ven del mismo color.

El equipo prevé que estos resultados permitirán crear metámeros virtuales de forma eficiente en el ordenador y probarlos. Primero se seleccionarían candidatos mediante el cálculo y después los confirmarían las personas.

Las aplicaciones que citan los autores son amplias: olfato digital para guardar y transmitir olores como datos, tecnologías que vigilan la salud a través del aliento y otras señales, narices electrónicas y diseño generativo de fragancias. Pero son posibilidades de futuro: este estudio no ha diseñado ningún perfume.

Comentario: lo que este estudio dice a quienes aprenden perfumería

A partir de aquí no se trata de las conclusiones del estudio, sino de la interpretación de GrassAccord.

Escribir un olor con palabras es diseñar, no opinar

En las clases de perfumería, a muchas personas les da pereza escribir notas sobre las materias. ¿Para qué escribir, si basta con oler? Este estudio invita a revisar esa costumbre, porque unas pocas palabras de olor explicaron la distancia entre mezclas mejor que una gran cantidad de información molecular.

Por supuesto, las palabras de un ordenador y las notas de una persona no son lo mismo. Aun así, apuntan en la misma dirección. Si divide un olor en palabras, podrá compararlo. Una nota que termina en «bonito» no sirve para la siguiente mezcla, pero una como «hierba intensa, al final queda madera mojada» sí.

Empiece por las materias individuales

Las palabras se aprendieron de moléculas individuales y, aun así, explicaron las mezclas. El orden para aprender perfumería es el mismo. Si conoce con claridad la impresión de una materia, podrá leer lo que ocurrió al mezclarla. El tiempo dedicado a oler muchas veces una materia rinde más, a la larga, que crear muchos acordes.

Aquí conviene tomar prestado un método del laboratorio. Igual que el equipo igualó la intensidad de los componentes, iguale la dilución cuando compare materias. Si solo una está más concentrada, estará comparando la intensidad y no el carácter. Los juicios hechos con materias puras suelen cambiar al olerlas diluidas.

Elija palabras de significado estrecho

La palabra «natural» es cómoda, pero abarca mucho. Baje un nivel: ¿qué es lo natural exactamente? Anote si es olor a hierba cortada, a tierra mojada o a fruta recién pelada. Como ya hemos dicho, el estudio no lo demuestra, pero en el órgano comprobará enseguida que cuanto más estrecho es el significado de una palabra, más útil resulta para el juicio siguiente.

Construya la misma impresión con otras materias

La idea del metámero es un gran consuelo también para los principiantes. Aunque una materia no se consiga o esté regulada, se puede volver a construir la misma impresión con otras materias. Para oler parecido no siempre hacen falta las mismas moléculas.

Muchas de las fórmulas que vende GrassAccord también toman perfumes célebres como material de estudio. Pero parecido e igual no son lo mismo. Lo que trató este estudio es, también, la impresión de un instante. Cómo cambia con el tiempo tendrá que observarlo por su cuenta con la tira de prueba delante.

Confíe en su nariz, pero no una sola vez

Incluso la media de los juicios humanos, al medirla de nuevo, da 0,74. Si dos aromas que ayer parecían iguales hoy le parecen distintos, quizá no sea porque le pase algo a su nariz. El juicio oscila por naturaleza. Ante una decisión importante, huela otra vez al día siguiente y compare con la primera nota. Lo que protege el juicio no son los números, sino el hábito.

Varias narices valen más que una

Lo mejor de este estudio no fue un equipo brillante, sino la media de equipos diferentes. Oler es algo parecido. Cuando no logre decidirse a solas, pida a otra persona que huela. Un simple «huele a jabón» de alguien que no sabe nada de perfumería puede ser una pista valiosa.

La inteligencia artificial solo reduce los candidatos

El futuro que apunta este estudio no es tanto un mundo sin perfumistas como uno en el que el cálculo reduce los candidatos y las personas deciden con la nariz. El modelo todavía no ha juzgado lo bueno y lo malo, y fue débil en la zona más difícil, la de «casi igual, pero distinto». Por ahora, ese último tramo sigue siendo el lugar de la nariz humana.

Tres ejercicios para hacer ya en su órgano de perfumista

Sería una pena quedarse en la lectura del estudio. Reduzcamos lo que hizo el equipo y llevémoslo a su órgano de perfumista. Fije las proporciones según sus materias y sus gustos.

Ejercicio 1. Cree su propio vocabulario de olores

Elija diez materias que use con frecuencia e impregne una tira de prueba con cada una. Para cada materia, anote solo tres palabras. Deje fuera palabras de valoración como «bonito» y use solo palabras que señalen un olor, como fruta, hierba, madera o jabón. Una semana después, tape los nombres, anote de nuevo y compare. Las palabras que se mantienen son el verdadero rostro de la materia.

Ejercicio 2. Una prueba triangular en casa

Prepare dos pruebas parecidas. De tres tiras, impregne dos con la misma prueba y una con la otra, marcando la parte inferior. Pida a alguien que mezcle el orden e intente elegir la que es distinta. Si acierta una y otra vez en muchos intentos, las dos son olores distinguibles. Si sus aciertos se quedan al nivel del azar (uno de cada tres), por ahora son casi el mismo olor para su nariz.

Ejercicio 3. Mida la distancia con su nariz

Anote la distancia entre dos olores con un número entre 0 y 1, donde 0 significa que no se distinguen y 1 que son totalmente distintos. Puntúe unos cinco pares y vuelva a hacerlo al día siguiente en el mismo orden. Ver cuánto oscilan los números le muestra la amplitud de su juicio. No pasa nada si oscilan. Conocer esa amplitud es el objetivo del ejercicio.

Precauciones al leer este estudio

• No es un estudio sobre perfumes. Trató mezclas de moléculas creadas para la investigación. Eso no significa que se aplique directamente a las fórmulas de perfumes.
• No hay muchos problemas de prueba. La primera prueba tiene 46 pares. Por eso no se pudo ordenar a los mejores equipos, y el equipo pide leer con cautela los resultados de los grupos pequeños.
• Es fuerte en la zona media. Los datos de entrenamiento se concentran en distancias de 0,5 a 0,8, de modo que es débil con pares muy parecidos o muy distintos.
• Los métodos de medición están mezclados. Las pruebas triangulares y las puntuaciones se llevaron a una sola escala, así que pueden quedar sesgos propios del método.
• La intensidad no se trató lo suficiente. La mayoría de los componentes tenían la intensidad igualada. En los olores reales, la intensidad es una gran variable.
• No se sabe si funcionará con moléculas nuevas. La gama de moléculas usadas en las pruebas es estrecha.
• La interpretación tiene detractores. El estudio señala que algunos investigadores no están de acuerdo con la idea de que el olor de una mezcla depende en gran parte de la coincidencia de sus palabras.
• Se declaran relaciones de asesoría con empresas. El estudio indica que algunos autores asesoran a empresas relacionadas con el olfato.

Las palabras de este artículo

• Molécula individual — Sustancia olorosa formada por un solo tipo de molécula.
• Mezcla — Unión de varias moléculas. En este estudio, unos 10 componentes.
• Distancia — Valor de 0 a 1 que indica cuán distintos se perciben dos olores. El 0 significa que no se distinguen, y el 1, que son lo más distintos posible.
• Prueba triangular — Método que mide la capacidad de distinguir haciendo elegir el diferente entre tres.
• Coeficiente de correlación — Número que indica cuánto se mueven juntos dos valores. Cuanto más cerca de 1, más se mueven juntos.
• Error medio (RMSE) — Desviación media de la predicción respecto a la realidad. Cuanto más pequeño, mejor.
• Modelo combinado (ensamble) — Modelo único creado al promediar las predicciones de varios modelos.
• Información de las palabras (características semánticas) — Valores con los que el ordenador predice con qué palabras de olor se llamaría a una molécula.
• Mapa principal de olores (POM) — Modelo de una investigación anterior que predice palabras de olor a partir de la estructura molecular. Muchos equipos de esta competición lo usaron como ingrediente.
• Metámero — Par de mezclas que se perciben parecidas aunque sus componentes no coincidan.
• Acorde — Unidad olfativa en la que varias materias se mezclan para percibirse como una sola impresión.
• Fórmula — El plano que indica qué materias se mezclan y en qué proporciones para crear un aroma. Es lo que vende GrassAccord.

Para terminar

La nariz sigue sin tener una regla como el rojo, el verde y el azul. Pero la primera pista que encontraron juntos 26 equipos estaba, inesperadamente, del lado del lenguaje humano. Unas pocas palabras de olor explicaron la distancia entre dos aromas mejor que largas descripciones de moléculas.

Y medir esa distancia hasta el final sigue siendo tarea de la nariz humana. La nariz oscila y el modelo se inclina hacia el centro. Como ninguno de los dos es perfecto, oler despacio ante una tira de prueba, escribirlo con palabras y volver a oler al día siguiente sigue siendo hoy el método más fiable.

Para quien acaba de empezar en la perfumería, es una buena noticia. Aun sin equipos caros, unas tiras de prueba y un cuaderno bastan para entrar en el camino que señala este estudio. El aroma es un idioma universal. GrassAccord le acompañará mientras reúne sus palabras, una a una.

Fuente del estudio: Vahid Satarifard, Laura Sisson, Yikun Han et al. «A semantic-based community model for high-fidelity tuning of olfactory mixture distances». PNAS 123(32), e2611057123, publicado el 4 de agosto de 2026. Original: https://doi.org/10.1073/pnas.2611057123 · Todas las cifras de este artículo proceden del texto del estudio; las frases son un resumen y un comentario de GrassAccord. La sección «Comentario» es la interpretación de GrassAccord, no la conclusión del estudio.