Tuoksuseokset: avain löytyi sanoista — GrassAccord esittelee tutkimuksen ”Tuoksuseosten välisen etäisyyden ennustaminen”

Kuvitelkaa kaksi tuoksuseosta tuoksuliuskoilla aivan nenänne edessä. Toinen on sekoitettu 10 molekyylistä. Toinenkin 10 molekyylistä, mutta yksikään niistä ei ole sama. Silti ihmisen nenä kokee tuoksut melko samankaltaisina.

Miksi näin tapahtuu? Entä voiko lopputuloksen tietää ennen sekoittamista? Elokuussa Yhdysvaltain kansallisen tiedeakatemian PNAS-lehdessä julkaistu tutkimus kertoo, miten 26 tutkimusryhmää eri puolilta maailmaa tarttui yhdessä tähän vanhaan kysymykseen.

Tulos oli yllättävä. Paras avain seoksen tuoksuun ei ollut molekyylien muodon suora lukeminen. Ennusteet olivat tarkimmillaan silloin, kun ne kulkivat tuoksuja kuvaavien sanojen kautta, kuten ”hedelmäinen” tai ”ruohoinen”.

Jos olette aloittaneet hajustamisen, olette ehkä pohtineet tällaisia kysymyksiä:

• Auttaako tuoksujen sanoittaminen todella kehittymään?
• Eilen kaksi tuoksua tuntui samalta, tänään ne tuntuvat erilaisilta. Onko nenässäni jotain vikaa?
• Rakentaako tekoäly pian akordit puolestamme?

Tutkimus antaa vihjeitä kaikkiin kolmeen. Alkuosassa kerromme, mitä tutkijat tekivät ja mitä he löysivät, ja loppuosaan olemme lisänneet oman kommenttimme siitä, miten hajustamista opetteleva voi hyödyntää tuloksia työpöydän ääressä. Uudet termit on selitetty erikseen aivan lopussa, joten lukekaa rauhassa.

Ensin: millaisesta tutkimuksesta on kyse?

• Otsikko: A semantic-based community model for high-fidelity tuning of olfactory mixture distances (sanojen merkitykseen perustuva yhteinen malli, joka hienosäätää tuoksuseosten välisiä etäisyyksiä)
• Tekijät: laaja kansainvälinen tutkijajoukko, jonka keskiössä ovat Vahid Satarifard ja Pablo Meyer. Mukana on laitoksia monesta maasta, esimerkiksi Yalen yliopisto, Rockefellerin yliopisto, Monell Chemical Senses Center, Weizmann-instituutti ja IBM Research. Kirjoittajiin kuuluvat myös tunnetut hajuaistin tutkijat Leslie B. Vosshall, Noam Sobel ja Joel D. Mainland.
• Julkaistu: PNAS, vuosikerta 123, numero 32, 4. elokuuta 2026. Tutkimus on käynyt läpi tieteellisen lehden vertaisarvioinnin.
• Alkuperäinen tutkimus: doi.org/10.1073/pnas.2611057123 — kaikkien luettavissa maksutta (englanniksi).
• Huomioitavaa: Tutkimus ei käsittele hajuvesiä vaan tutkimuskäyttöön tehtyjä molekyyliseoksia. Kirjoittajatkin mainitsevat hajuvesien suunnittelun vain yhtenä tulevista käyttökohteista.

Miksi valitsimme juuri tämän tutkimuksen?

Ensimmäisessä tutkimusesittelyssä katselimme noin 170 000 hajuvettä ylhäältä lukujen kautta. Se oli markkinoiden ja kulttuurin kartta. Tällä kertaa suunta on päinvastainen: katsomme kahden tuoksuliuskan ääressä istuvan ihmisen nenään.

Hajustaminen on lopulta sekoittamista. Silmillä ja korvilla olevia sääntöjä ei kuitenkaan vielä ole nenällä. Näytön värit syntyvät punaisesta, vihreästä ja sinisestä, ja äänen voi kuvata taajuuksina. Tutkijoiden mukaan hajuaistilta puuttuu vielä vastaava kehys. Siksi hajustajat ovat pitkään luottaneet kokemukseen ja nenäänsä.

Tämä tutkimus rakentaa aukon yli ensimmäistä kertaa melko vankan sillan. Silta ei ole valmis. Tutkimus näyttää kuitenkin rehellisesti, kuinka pitkälle on päästy ja missä tie katkeaa, ja siksi se on hyvää opiskelumateriaalia hajustamista opettelevalle.

Nenän kartta: näin kaikki alkoi

Ennen varsinaista sisältöä katsotaan, miksi kilpailu ylipäätään järjestettiin.

Yhden molekyylin tuoksu osataan jo ennustaa melko hyvin

Tuoksun arvaaminen pelkästään molekyylin rakenteen perusteella oli pitkään pahamaineisen vaikea ongelma. Viimeisten kymmenen vuoden aikana tilanne on kuitenkin muuttunut. Ensimmäinen DREAM-hajukilpailu osoitti, että tietokone pystyy ennustamaan molekyylin rakenteesta tuoksun kuvauksia, kuten valkosipulin, makeuden ja kukkaisuuden.

Vuonna 2023 julkaistiin malli nimeltä pääasiallinen hajukartta (POM). Se on kartta, joka sijoittaa molekyylirakenteet tuoksujen avaruuteen. Tutkimuksen mukaan malli ennusti tuoksun kuvauksia paremmin kuin arviointiraadin keskitasoinen jäsen. Moni tämän kilpailun joukkue käytti juuri tätä karttaa raaka-aineenaan.

Mutta maailman tuoksut ovat enimmäkseen seoksia

Ongelma tulee vasta sen jälkeen. Arjessa haistamamme tuoksut, kuten kahvi, kukat ja hajuvedet, ovat yleensä kymmenien tai satojen molekyylien seoksia. Vaikka yhden molekyylin osaisi ennustaa, siitä on käytännössä vähän hyötyä, ellei osaa ennustaa, mitä sekoitettaessa tapahtuu.

Hajustamista kokeillut tuntee tämän vaikeuden. Kahdesta hyvästä raaka-aineesta voi syntyä aivan odottamaton tuoksu, tai lisätty raaka-aine tuntuu kadonneen. Seosten ennustamiseen tarvittiin avoin mittapuu, ja siksi järjestettiin kilpailu, jossa monta joukkuetta ratkaisi samaa ongelmaa.

26 joukkueen kilpailu: miten se eteni?

Hajanaiset kokeet koottiin yhteen

Tutkijat yhdistivät ensin kuusi aineistoa kolmesta aiemmin erikseen tehdystä tutkimuksesta. Yhdistettynä mittakaava oli tällainen:

• 168 yksittäistä molekyyliä
• 731 erilaista seosta
• 507 mittausta, joissa verrattiin kahta seosta

Koska koejärjestelyt olivat erilaisia, kaikki tulokset siirrettiin samalle asteikolle. 0 tarkoittaa, ettei kahta tuoksua voi erottaa toisistaan, ja 1, etteivät ne voisi olla enempää erilaisia. Tutkijat kutsuvat tätä lukua tuoksujen väliseksi etäisyydeksi. Se mitataan samaan tapaan kuin kahden kaupungin välimatka kartalta, mutta kahden tuoksun väliltä.

Kilpailu kesti kolme kuukautta

Kilpailun nimi on DREAM Challenge. Siinä monta joukkuetta mittelee avoimesti ennustustaidoista samassa tehtävässä. Noin kolmen kuukauden ajan 26 joukkuetta hioi tekoälymallejaan, ja lopuksi ne kohtasivat loppukokeen, jossa oli 46 seosparia oikeat vastaukset piilotettuina.

Harjoitustehtäviä sai lähettää jopa kolmesti viikossa ja nähdä pisteet. Kilpailun aikana lähetettiin 159 harjoitusennustetta, ja loppukokeeseen asti ehti 19 joukkuetta.

Ratkaisu ei ollut selvä. Neljä joukkuetta jakoi ykkössijan: D2Smell, UMich CASI, ChemSenSim Lab ja belfaction. Tutkijoiden mukaan eroja oli vaikea erottaa, kun pareja oli vain 46. Siksi yhden joukkueen valitsemisen sijaan he laskivat kuuden parhaan mallin ennusteiden keskiarvon ja loivat yhteismallin. Tämän tutkimuksen päähenkilö on juuri tämä yhteismalli.

Ihmisen nenä tarkisti kahdesti

Tekoälyn vastaukset arvioi ihmisen nenä. Kokeita oli kaksi.

• Ensimmäinen koe (New York, Rockefellerin yliopisto) — mukana oli 34 henkilöä. 92 seosta muodosti 46 paria, ja kukin seos tehtiin 10 ainesosasta, jotka eivät menneet päällekkäin. Käytössä oli kolmitesti, jossa kolmesta pullosta valitaan se, joka tuoksuu erilaiselta.
• Toinen koe (Philadelphia, Monell Chemical Senses Center) — kilpailun jälkeen mukana oli 16 henkilöä. 59 uudesta seoksesta tehtiin 50 paria, ja seoksessa oli 9–11 ainesosaa. Osallistujat pisteyttivät itse, kuinka samankaltaisia kaksi tuoksua olivat.

Toisessa kokeessa oli kiinnostava varmistus. Osallistujat vertasivat valkosipulilta tuoksuvaa molekyyliä ananakselta tuoksuvaan molekyyliin ja mansikalta tuoksuvaa molekyyliä itseensä. Edellinen pari arvioitiin kaukaiseksi, jälkimmäinen hyvin läheiseksi. Tämä osoittaa, että asteikko toimi oikein.

Kaksi lukua, jotka kannattaa opetella etukäteen

Tutkimuksessa toistuu jatkuvasti kaksi lukua. Ne voivat tuntua vaikeilta, joten selitämme ne ensin yksinkertaisesti.

Korrelaatiokerroin kertoo, kuinka hyvin ennuste ja todellisuus liikkuvat samaan suuntaan. 1 tarkoittaa täydellistä yhteisliikettä, 0 sitä, ettei yhteyttä ole. Arvo 0,61 ei tarkoita, että 61 % meni oikein. Riittää, kun ymmärrätte asian näin: pareja, jotka ihmiset kokivat kaukaisemmiksi, myös malli piti yleensä kaukaisempina.

Keskivirhe (tutkimuksessa RMSE) kertoo, kuinka paljon ennuste keskimäärin poikkeaa todellisesta etäisyydestä. Mitä pienempi, sitä parempi. 0,08 tarkoittaa suunnilleen sen verran heittoa asteikolla 0–1.

Korrelaatiokertoimen voi siis muistaa kysymyksenä ”osuuko järjestys” ja keskivirheen kysymyksenä ”kuinka lähellä arvo on”.

Kuinka tarkka yhteismalli oli?

Se ohitti selvästi aiemmat menetelmät

Ensimmäisessä kokeessa yhteismallin keskivirhe oli 0,08 ja korrelaatiokerroin 0,57. Aiempiin tyypillisiin menetelmiin verrattuna virhe pieneni noin 33 % ja korrelaatiokerroin nousi 53 %. Tulos oli parempi myös kuin yhdenkään yksittäisen joukkueen mallilla.

Yksi asia kannattaa panna merkille. Kilpailun jälkeen tutkijat rakensivat uuden mallin vain tärkeimmiltä vaikuttaneista piirteistä. Se ei kuitenkaan yltänyt yhteismallin tasolle vaan jäi parhaiden yksittäisten joukkueiden tasolle. Tutkijat tulkitsevat asian näin: hyvien ainesten valinta ei riitä, vaan tuolle tasolle päästään vasta erilaisten menetelmien yhdistyessä.

Malli kesti myös uudet tehtävät

Malli, joka ratkaisee vain kilpailun tehtävät, on vähäarvoinen. Siksi sitä testattiin kilpailun jälkeen uudelleen 50 uudella parilla. Yhteismallin keskivirhe kasvoi 0,13:een, mutta suorituskyky säilyi hyvänä. Tämä on merkittävää, koska koepaikka, osallistujat ja koetapa olivat kaikki erilaisia.

Tulokset vaihtelivat tehtävätyypin mukaan

Loppukokeen 46 paria jakautui kolmeen ryhmään: 16 satunnaisesti muodostettua paria, 20 ihmisen samankaltaisiksi suunnittelemaa paria ja 10 paria, jotka oli sovitettu aiemmalla etäisyyden laskentatavalla. Joukkueet eivät tienneet, mihin ryhmään mikin pari kuului.

Yhteismallin keskivirhe oli pieni kahdessa suunnitellussa ryhmässä, 0,07 ja 0,06, ja satunnaisessa ryhmässä 0,10. Korrelaatiokertoimessa tilanne oli päinvastainen: satunnainen ryhmä oli hieman korkeampi, 0,45, ja kaksi muuta 0,38. Tutkijat lisäävät, että pareja oli vähän, joten pienten ryhmien lukuja on luettava varoen.

Sanat voittivat molekyylirakenteen

Tämä on todennäköisesti tutkimuksen eniten siteerattu tulos.

Pelkillä sanoilla tulos parani

Tutkijat tekivät kokeen, jossa he poistivat mallista aineksia yksi kerrallaan. He ottivat pois molekyylien kemialliset piirteet, kehon reseptoreita koskevat tiedot ja seoksia koskevat tiedot, ja jättivät jäljelle vain tuoksuja kuvaavia sanoja vastaavat tiedot.

Tulos oli hämmästyttävä. Pelkkien sanojen yhteismalli saavutti ensimmäisessä kokeessa korrelaatiokertoimen 0,61 ja keskivirheen 0,075, eli se oli jopa parempi kuin kaikkia aineksia käyttänyt yhteismalli. Toisessa kokeessa korrelaatiokerroin oli 0,54, siis 15 % korkeampi.

Malli ilman sanoja taas heikkeni selvästi. Ensimmäisessä kokeessa korrelaatiokerroin putosi 0,41:een, ja toisessa kokeessa tulos lähestyi sattumanvaraista arvaamista.

Mitä ”sanat” tässä tarkoittavat?

Tämä kohta on helppo ymmärtää väärin, joten täsmennämme sen. Kyse ei ole muistiinpanoista, joita ihmiset kirjoittivat seosta haistettuaan. Tietokone katsoo ensin molekyylin rakennetta ja ennustaa, millä sanoilla ihmiset sitä kutsuisivat. Se antaa todennäköisyydet 138 sanalle, kuten hedelmäinen ja ruohoinen. Kahta seosta verrataan sitten näin saatujen sanojen yhdistelmän perusteella.

Molekyylistä ei siis siirrytä suoraan tuoksujen väliseen etäisyyteen, vaan välissä on sanojen muodostama välipysäkki. Hämmästyttävää on, että nämä sanat oli opittu puhtaista yksittäisistä molekyyleistä eikä seoksista, ja silti ne selittivät seosten etäisyyksiä hyvin.

Tutkijat menevät askeleen pidemmälle. Seosten tuoksu ei ehkä synny perustavasti eri periaatteilla kuin yksittäisten molekyylien tuoksu. Vaikeus voi olla pikemminkin vaiheessa ”molekyylistä tuoksuksi” kuin vaiheessa ”sekoittaminen”. Tutkimus kertoo kuitenkin myös, että kaikki tutkijat eivät ole tästä samaa mieltä.

Millä sanoilla oli eniten voimaa?

Yksi joukkue jakoi 138 sanaa 12 ryhmään. Sen mallissa eniten vaikuttivat ryhmät hedelmäiset, ruohoiset ja yrttiset sekä pähkinäiset, öljyiset ja paahteiset tuoksut.

Myös yksittäiset sanat menestyivät eri tavoin. Saman joukkueen analyysissä vihreä, puhdas ja konjakki liittyivät virheen pienenemiseen, orvokki, aromaattinen ja luonnollinen taas sen kasvuun. Tutkijat korostavat, ettei tulosta voi tulkita suoraan. On silti kiinnostavaa, että joukossa on merkitykseltään niin laaja sana kuin luonnollinen. Tämä on oma tuntumamme eikä tutkimuksen johtopäätös.

Paljon aineksia ei tarvittu

Tutkijat pinosivat kunkin mallin vaikutusvaltaisimmat piirteet järjestykseen. Kolme tarkkaa mallia saavutti puolet kokonaisvaikutuksesta alle 100 piirteellä. Eräs malli tarvitsi noin 1 000, joten ero on suuri. Tämä tarkoittaa, ettei tuoksujen etäisyyden selittämiseen välttämättä tarvita paljon monimutkaisia aineksia.

Myös ihmisen nenä horjuu

Ihmisen tulos on katto

Tämä on tutkimuksen rehellisin kohta. Tutkijat mittasivat myös, kuinka samoin samat ihmiset vastasivat arvioidessaan uudelleen. Toisessa kokeessa osallistujat arvioivat kahdesti vähintään vuorokauden välein, ja tulosten korrelaatiokerroin oli 0,74. Ensimmäisessä kokeessa kahden puolikkaan vertailu antoi 0,69.

Se on oikeastaan luonnollista. Edes keskiarvoistetut ihmisten arviot eivät toistu täydellisesti. Siksi mallin on vaikea osua ihmisen arvioon paremmin kuin ihmiset itse. Pelkkien sanojen mallin 0,61 ja 0,54 eivät vielä yllä tähän kattoon. Tutkijatkin myöntävät, että mallin ja ihmisen väliin jää yhä aukko.

Virheet hyvin samanlaisissa tai hyvin erilaisissa pareissa

Malli oli tarkimmillaan etäisyyksillä 0,5–0,8, koska opetusaineisto keskittyi sinne. Satunnaisesti tehdyt seokset sijoittuvat yleensä tälle alueelle.

Alle 0,5:n ja yli 0,8:n etäisyyksillä virhe kasvoi. Malleilla oli taipumus vetää ennusteita kohti keskikohtaa. Hyvin samanlaiset parit arvioitiin hieman todellista kaukaisemmiksi ja hyvin erilaiset hieman läheisemmiksi.

Tämä on hajustajalle tärkeää. Käytännön vaikein ratkaisu on erottaa kaksi versiota, jotka ovat ”melkein samanlaiset mutta jollain tavalla erilaiset”. Juuri siellä nykyiset mallit ovat heikoimmillaan.

Uusi malli ei aina voittanut

Kun toinen koe jaettiin etäisyyden mukaan viiteen osaan, samankaltaisimmassa osassa aiemman pääasiallisen hajukartan virhe oli pienempi. Muissa neljässä osassa edellä olivat yhteismalli ja pelkkien sanojen malli. Hyvä kokonaiskeskiarvo ei siis tarkoita, että kaikki osat olisivat hyviä.

Miten ne eroavat oikeista hajuvesistä?

Tätä tutkimusta ei voi siirtää suoraan hajuvesiin. Laboratorioseosten ja oikeiden hajuvesien välillä on suuri ero.

• Voimakkuudeltaan tasatut seokset — valtaosassa aineistoa ainesosien voimakkuus oli tasattu etukäteen. Oikeassa tuoksussa voimakas ainesosa peittää heikon, ja pitoisuus muuttaa tuoksun luonnetta. Tutkijat kirjoittavat, että voimakkuuden huomioiminen on tulevaisuuden tehtävä.
• Ainesosien määrä — koeseoksissa oli noin 10 ainesosaa. Tutkijat selittävät, että arjen tuoksut ovat yleensä kymmenien tai satojen molekyylien seoksia.
• Rajalliset raaka-aineet — käytettyjen molekyylien kirjo on kapea. Ei vielä tiedetä, toimiiko menetelmä malleille vierailla molekyyleillä.
• Hetken arvio — tutkimuksessa kysyttiin, kuinka samankaltaisia kaksi tuoksua ovat. Siinä ei kysytty, miten tuoksu muuttuu ajan myötä tai pitävätkö ihmiset siitä.

Muistakaa erityisesti viimeinen kohta. Etäisyys kertoo vain, kuinka erilaisia kaksi tuoksua ovat, ei sitä, kumpi on parempi.

Yksi asia on ilahduttava. Tutkijat ovat avanneet aineistot, mallit ja koodin. Kuka tahansa voi siis kokeilla parempia menetelmiä samaan ongelmaan. Tämä ei silti tarkoita, että olisi syntynyt työkalu, johon hajustaja syöttää kaksi akordia ja saa heti etäisyyden. Toistaiseksi se on lähinnä tutkijoiden mittapuu.

Metameerit: eri ainekset, sama tuoksu

Yksi tutkimuksen aineistoista on peräisin tutkimuksesta, jossa pyrittiin luomaan hajumetameerejä. Metameerit ovat seospareja, joilla ei ole yhteisiä ainesosia mutta jotka tuntuvat silti samankaltaisilta. Ilmiö muistuttaa väreissä tapausta, jossa koostumukseltaan erilainen valo nähdään samana värinä.

Tutkijat arvioivat, että tulosten avulla voidaan tehokkaasti luoda virtuaalisia metameerejä tietokoneella ja kokeilla niitä. Ensin ehdokkaat valitaan laskennalla, sitten ihminen varmistaa ne.

Kirjoittajat mainitsevat laajan joukon käyttökohteita: digitaalinen hajuaisti, joka tallentaa ja siirtää tuoksuja datana, terveyttä esimerkiksi uloshengityksestä seuraava teknologia, elektroniset nenät ja generatiivinen tuoksusuunnittelu. Nämä ovat kuitenkin tulevaisuuden mahdollisuuksia, eikä tässä tutkimuksessa suunniteltu hajuvettä.

Kommentti: mitä tutkimus kertoo hajustamista opettelevalle

Tästä eteenpäin kyse ei ole tutkimuksen johtopäätöksistä vaan GrassAccordin tulkinnasta.

Tuoksun sanoittaminen on suunnittelua, ei fiilistelyä

Kun hajustamisen kurssilla pyydetään kirjoittamaan raaka-ainemuistiinpanoja, moni kokee sen vaivalloiseksi. Nenällähän voi haistaa, joten miksi kirjoittaa? Tämä tutkimus saa katsomaan tapaa uudesta näkökulmasta. Muutama tuoksusana selitti seosten etäisyyttä paremmin kuin valtava määrä molekyylitietoa.

Tietokoneen sanat ja ihmisen muistiinpanot eivät tietenkään ole sama asia. Suunta on silti yhteinen. Kun tuoksun jakaa sanoiksi, sitä voi verrata. Muistiinpanoa ”hyvä” ei voi käyttää seuraavassa sekoituksessa, mutta muistiinpanoa ”voimakkaan ruohoinen, lopussa jää märkä puu” voi.

Opetelkaa ensin yksittäiset raaka-aineet

Sanat opittiin yksittäisistä molekyyleistä, ja silti ne selittivät seoksia. Hajustamisen opiskelussa järjestys on sama. Kun tuntee yhden raaka-aineen vaikutelman selvästi, osaa lukea, mitä sekoituksessa tapahtui. Yhden raaka-aineen haistaminen moneen kertaan palkitsee myöhemmin enemmän kuin monen akordin tekeminen.

Tässä kannattaa lainata laboratoriosta yksi menetelmä. Aivan kuten tutkijat tasasivat ainesosien voimakkuuden, tasatkaa raaka-aineita verratessanne laimennuspitoisuus. Jos toinen on vahvempi, verrataan voimakkuutta eikä raaka-aineen luonnetta. Laimentamattomina tehdyt arviot muuttuvat laimennettuina usein.

Valitkaa merkitykseltään kapeita sanoja

Sana luonnollinen on kätevä, mutta siihen mahtuu paljon. Menkää askel syvemmälle ja kysykää, mikä tarkalleen on luonnollista: leikattu ruoho, märkä multa vai kuorittu hedelmä? Kuten sanottu, tutkimus ei tätä todistanut, mutta työpöydän ääressä huomaa nopeasti, että kapeamerkityksinen sana on seuraavassa päätöksessä hyödyllisempi.

Tehkää sama vaikutelma eri raaka-aineista

Metameerin käsite lohduttaa paljon myös aloittelijaa. Vaikka jotain raaka-ainetta ei saisi tai sitä rajoitettaisiin, saman vaikutelman voi rakentaa uudelleen muista raaka-aineista. Samankaltainen tuntuma ei välttämättä vaadi samoja molekyylejä.

Moni GrassAccordin myymä kaava käyttää kuuluisia hajuvesiä opiskelumateriaalina. Samankaltainen ei kuitenkaan tarkoita samaa. Myös tämä tutkimus käsitteli yhden hetken vaikutelmaa. Sitä, miten tuoksu muuttuu ajan myötä, on seurattava itse tuoksuliuskalta.

Luottakaa nenäänne, mutta älkää vain kerran

Keskiarvoistettujen ihmisten arvioidenkin toistuvuus on 0,74. Se, että eilen samalta tuntuneet tuoksut tuntuvat tänään erilaisilta, ei välttämättä johdu nenän viasta. Arviot luonnostaan horjuvat. Haistakaa tärkeät päätökset uudelleen seuraavana päivänä ja verratkaa ensimmäiseen muistiinpanoon. Arviointia suojaa tapa, ei numero.

Monta nenää on parempi kuin yksi

Parhaiten tässä tutkimuksessa onnistui ei yksi loistava joukkue vaan eri joukkueiden keskiarvo. Haistaminen on samanlaista. Kun ette itse osaa päättää, antakaa jonkun muun haistaa. Hajustamista tuntemattoman ihmisen lause ”tuoksuu saippualta” voi olla arvokas vihje.

Tekoäly vain karsii ehdokkaita

Tämän tutkimuksen kuvaama tulevaisuus ei ole niinkään maailma ilman hajustajia kuin maailma, jossa laskenta karsii ehdokkaat ja ihminen päättää nenällään. Malli ei vielä arvioinut hyvää ja huonoa, ja se oli heikko vaikeimmalla alueella, ”melkein samanlaiset mutta erilaiset”. Tuo viimeinen osuus kuuluu toistaiseksi ihmisen nenälle.

Kolme harjoitusta, joita voitte kokeilla heti työpöydän ääressä

Olisi harmi jättää asia lukemiseen. Pienennetään tutkijoiden työ ja siirretään se työpöydälle. Määrittäkää suhteet omien raaka-aineidenne ja makunne mukaan.

Harjoitus 1. Oma tuoksusanasto

Valitkaa kymmenen usein käyttämäänne raaka-ainetta ja kastakaa kullekin oma tuoksuliuska. Kirjoittakaa jokaisesta vain kolme sanaa. Jättäkää pois arviot, kuten ”hyvä”, ja käyttäkää vain tuoksua osoittavia sanoja, kuten hedelmä, ruoho, puu ja saippua. Viikon päästä kirjoittakaa sanat uudelleen nimet peitettyinä ja verratkaa. Jäljelle jääneet sanat ovat raaka-aineen todelliset kasvot.

Harjoitus 2. Kolmitesti kotona

Valmistakaa kaksi samankaltaista versiota. Kastakaa kolmesta tuoksuliuskasta kaksi samaan versioon ja yksi toiseen, ja merkitkää alapuolelle. Pyytäkää jotakuta sekoittamaan järjestys ja valitkaa sitten erilainen. Jos osutte oikeaan monta kertaa peräkkäin, versiot erottuvat toisistaan. Jos osumat jäävät arvaustasolle (yksi kolmesta), ne ovat nenällenne nyt lähes samoja.

Harjoitus 3. Nenän etäisyyden mittaaminen

Kirjoittakaa kahden tuoksun etäisyys lukuna 0:n ja 1:n väliltä. 0 tarkoittaa, ettei niitä voi erottaa, ja 1, että ne ovat täysin erilaisia. Arvioikaa noin viisi paria ja toistakaa seuraavana päivänä samassa järjestyksessä. Lukujen heilunnasta näette oman arvionne laajuuden. Heilunta on täysin sallittua. Laajuuden tunteminen on harjoituksen tarkoitus.

Mitä kannattaa huomioida tutkimusta lukiessa

• Tämä ei ole hajuvesitutkimus. Se käsittelee tutkimuskäyttöön tehtyjä molekyyliseoksia. Tulokset eivät siirry suoraan hajuvesien sekoittamiseen.
• Koetehtäviä ei ole paljon. Ensimmäisessä kokeessa oli 46 paria. Siksi kärkijoukkueita ei voitu asettaa järjestykseen, ja tutkijat kehottavat lukemaan pienten ryhmien tuloksia varoen.
• Vahvuus on keskialueella. Opetusaineisto keskittyy etäisyyksille 0,5–0,8, joten malli on heikko hyvin samanlaisissa tai hyvin erilaisissa pareissa.
• Aineiston mittaustavat ovat sekaisin. Kolmitesti ja pisteytys siirrettiin yhdelle asteikolle, joten menetelmästä johtuvaa vinoumaa voi olla jäljellä.
• Voimakkuutta ei käsitelty riittävästi. Useimmat ainesosat oli tasattu voimakkuudeltaan. Oikeassa tuoksussa voimakkuus on suuri muuttuja.
• Toimivuus uusilla molekyyleillä on epävarma. Kokeissa käytettyjen molekyylien kirjo on kapea.
• Tulkinnasta ollaan eri mieltä. Tutkimuksen mukaan kaikki tutkijat eivät hyväksy näkemystä, että seosten tuoksu määräytyy pääosin sanojen päällekkäisyydestä.
• Yritysten neuvonantajuudet on ilmoitettu. Tutkimus kertoo, että osa kirjoittajista toimii hajualan yritysten neuvonantajina.

Tämän artikkelin sanastoa

• Yksittäinen molekyyli — Yhdestä molekyylilajista koostuva tuoksuaine.
• Seos — Useiden molekyylien sekoitus. Tässä tutkimuksessa noin 10 ainesosaa.
• Etäisyys — Arvo 0–1, joka kertoo, kuinka erilaisilta kaksi tuoksua tuntuu. 0 ei erotu, 1 on suurin ero.
• Kolmitesti — Erottelukyvyn mittaustapa, jossa kolmesta valitaan erilainen.
• Korrelaatiokerroin — Luku, joka kertoo, kuinka hyvin kaksi arvoa liikkuu yhdessä. Mitä lähempänä 1:tä, sitä enemmän yhdessä.
• Keskivirhe (RMSE) — Ennusteen keskimääräinen poikkeama todellisuudesta. Mitä pienempi, sitä parempi.
• Yhteismalli (ensemble) — Malli, joka syntyy usean mallin ennusteiden keskiarvosta.
• Sanatieto (semanttiset piirteet) — Tietokoneen ennustamat arvot siitä, millä tuoksusanoilla molekyyliä kutsuttaisiin.
• Pääasiallinen hajukartta (POM) — Aiemman tutkimuksen malli, joka ennustaa tuoksusanoja molekyylirakenteesta. Moni kilpailun joukkue käytti sitä raaka-aineenaan.
• Metameerit — Seospareja, jotka tuntuvat samankaltaisilta, vaikka ainesosat eivät mene päällekkäin.
• Akordi — Tuoksun yksikkö, jossa useita raaka-aineita sekoitetaan niin, että ne tuntuvat yhdeltä vaikutelmalta.
• Kaava — Rakennuspiirustus, joka kertoo, mitä raaka-aineita sekoitetaan missäkin suhteessa yhden tuoksun luomiseksi. Sitä GrassAccord myy.

Lopuksi

Nenällä ei vielä ole punaisen, vihreän ja sinisen kaltaisia sääntöjä. Ensimmäinen johtolanka, jonka 26 joukkuetta yhdessä löysi, oli kuitenkin yllättäen ihmisen kielen puolella. Muutama tuoksua kuvaava sana selitti kahden tuoksun etäisyyttä paremmin kuin pitkät kuvaukset molekyyleistä.

Ja tuon etäisyyden mittaaminen loppuun asti kuuluu yhä ihmisen nenälle. Nenä horjuu, ja mallit vetävät kohti keskikohtaa. Kumpikaan ei ole täydellinen, joten hidas haistaminen tuoksuliuskan ääressä, sanoittaminen ja uusi haistaminen seuraavana päivänä on yhä luotettavin menetelmä.

Hajustamisen vasta aloittaneelle tämä on hyvä uutinen. Ilman kalliita laitteita, pelkillä tuoksuliuskoilla ja yhdellä muistikirjalla, pääsee tutkimuksen osoittamalle tielle. Tuoksu on universaali kieli. GrassAccord kulkee rinnallanne, kun keräätte tuon kielen sanoja yksi kerrallaan.

Lähde: Vahid Satarifard, Laura Sisson, Yikun Han ym. "A semantic-based community model for high-fidelity tuning of olfactory mixture distances." PNAS 123(32), e2611057123, julkaistu 4. elokuuta 2026. Alkuperäinen: https://doi.org/10.1073/pnas.2611057123 · Kaikki tämän tekstin luvut on poimittu tutkimuksesta, ja lauseet ovat GrassAccordin tiivistelmää ja kommenttia. Luku ”Kommentti” ei ole tutkimuksen johtopäätös vaan GrassAccordin tulkinta.