Mélanges d'odeurs : la clé était dans les mots — GrassAccord décrypte l'étude « Prédire la distance entre mélanges d'odeurs »

Imaginez deux mouillettes juste sous votre nez. L'une porte un mélange d'odeurs composé de 10 molécules. L'autre aussi, mais les deux mélanges n'ont pas une seule molécule en commun. Et pourtant, pour le nez humain, ils se ressemblent beaucoup.

Comment est-ce possible ? Et peut-on connaître le résultat avant de mélanger ? Publiée en août dans la revue américaine Proceedings of the National Academy of Sciences (PNAS), une étude raconte comment 26 équipes de recherche du monde entier se sont attaquées ensemble à cette vieille question.

Le résultat a surpris. La meilleure clé pour prédire l'odeur d'un mélange n'était pas de lire directement la forme des molécules. Les prédictions étaient les plus justes lorsqu'elles passaient par les mots qui nomment les odeurs, comme « fruité » ou « herbacé ».

Si vous débutez en parfumerie, vous vous êtes sans doute déjà posé ces questions :

• Mettre une odeur en mots aide-t-il vraiment à progresser ?
• Deux odeurs semblables hier me paraissent différentes aujourd'hui : mon nez a-t-il un problème ?
• L'intelligence artificielle va-t-elle bientôt composer les accords à ma place ?

Cette étude apporte des éléments de réponse à ces trois questions. La première partie présente ce que l'équipe a fait et ce qu'elle a découvert. Dans la seconde, nous ajoutons notre commentaire sur la manière dont les personnes qui apprennent la parfumerie peuvent mettre ces résultats à profit devant leur orgue à parfums. Les termes nouveaux sont expliqués tout à la fin : lisez sans crainte.

D'abord, de quelle étude s'agit-il ?

• Titre : A semantic-based community model for high-fidelity tuning of olfactory mixture distances (un modèle commun qui s'appuie sur le sens des mots pour ajuster finement les distances entre mélanges d'odeurs)
• Auteurs : une vaste équipe collaborative réunie autour de Vahid Satarifard et Pablo Meyer. Des institutions de plusieurs pays y ont participé, dont l'université Yale, l'université Rockefeller, le Monell Chemical Senses Center, l'Institut Weizmann et IBM Research. Leslie B. Vosshall, Noam Sobel et Joel D. Mainland, bien connus pour leurs travaux sur l'odorat, sont également coauteurs.
• Publication : Proceedings of the National Academy of Sciences (PNAS), volume 123, numéro 32, publié le 4 août 2026. L'étude a été évaluée par la revue.
• Lire l'original : doi.org/10.1073/pnas.2611057123 — accessible gratuitement à tous (en anglais).
• À noter : cette étude porte sur des mélanges de molécules conçus pour la recherche, et non sur des parfums. Les auteurs ne citent eux-mêmes la création de parfums que comme l'une des applications possibles à l'avenir.

Pourquoi avoir choisi cette étude ?

Dans notre première présentation d'étude, nous avons survolé environ 170 000 parfums à travers les chiffres. C'était une carte du marché et de la culture. Cette fois, nous prenons la direction exactement opposée : nous regardons de près le nez d'une personne assise devant deux mouillettes.

La parfumerie, au fond, est un art du mélange. Or les règles qui existent pour les yeux et les oreilles n'existent pas encore pour le nez. Le rouge, le vert et le bleu composent les couleurs d'un écran, et le son peut se décrire en le décomposant en fréquences. L'équipe de recherche souligne que l'odorat ne dispose encore d'aucun cadre comparable. C'est pourquoi les parfumeurs s'en remettent depuis si longtemps à l'expérience et à leur nez.

Cette étude pose sur ce vide un premier pont assez solide. Ce n'est pas un pont achevé. Mais parce qu'elle montre honnêtement jusqu'où l'on est arrivé et où le pont s'interrompt, elle constitue un excellent support pour qui apprend la parfumerie.

Peut-on cartographier l'odorat ?

Avant d'entrer dans le vif du sujet, voyons pourquoi ce concours a été organisé.

Prédire l'odeur d'une seule molécule, on y arrive assez bien

Deviner une odeur à partir de la seule structure d'une molécule a longtemps été un casse-tête réputé. Mais les choses ont changé en 10 ans. Le premier concours olfactif DREAM a montré qu'un ordinateur pouvait prédire, à partir de la structure moléculaire, des descriptions d'odeur comme ail, sucré ou fleuri.

En 2023 est arrivé un modèle appelé carte principale des odeurs (POM), qui place les structures moléculaires dans un espace d'odeurs. Selon l'étude, ce modèle a fait mieux qu'une personne médiane d'un panel pour prédire les descriptions d'odeur. Beaucoup d'équipes de ce concours se sont justement servies de cette carte comme ingrédient.

Mais la plupart des odeurs du monde sont des mélanges

La difficulté vient ensuite. Les odeurs que nous sentons au quotidien, comme le café, les fleurs ou les parfums, sont le plus souvent des mélanges de dizaines ou de centaines de molécules. Savoir prédire une molécule sert peu dans le monde réel si l'on ne sait pas prédire ce qui se passe une fois les molécules mélangées.

Si vous avez déjà essayé la parfumerie, vous connaissez bien cette difficulté. On mélange deux belles matières et il en sort une odeur totalement inattendue, ou bien une matière ajoutée semble disparaître. Il fallait une référence publique pour prédire les mélanges : d'où ce concours où plusieurs équipes se sont mesurées sur le même problème.

Comment s'est déroulé le concours des 26 équipes ?

Des expériences dispersées, réunies en une seule

L'équipe a d'abord rassemblé six jeux de données issus de trois études menées séparément. Voici ce que cela donne une fois réunis.

• 168 molécules seules
• 731 mélanges différents
• 507 mesures comparant deux mélanges

Comme les méthodes expérimentales différaient, tous les résultats ont été ramenés sur une seule échelle. 0 signifie que les deux odeurs sont impossibles à distinguer, et 1 qu'elles ne pourraient pas être plus différentes. L'équipe appelle ce nombre la distance entre les odeurs. Comme on mesure l'écart entre deux villes sur une carte, on mesure l'écart entre deux odeurs.

Trois mois de compétition

Ce concours s'appelle DREAM Challenge. Plusieurs équipes s'y mesurent publiquement sur leur capacité à prédire, à partir du même problème. Les 26 équipes ont affiné leurs modèles d'intelligence artificielle pendant environ trois mois, puis ont passé une dernière épreuve sur 46 paires de mélanges dont les réponses étaient cachées.

Les équipes pouvaient soumettre des exercices jusqu'à trois fois par semaine et voir leur score. Pendant le concours, 159 prédictions d'entraînement ont été déposées, et 19 équipes sont allées jusqu'à l'épreuve finale.

Le classement n'a pas été net. Quatre équipes, D2Smell, UMich CASI, ChemSenSim Lab et belfaction, ont fini premières à égalité. Selon l'équipe de recherche, avec seulement 46 paires d'épreuve, il aurait été difficile de les départager. Au lieu de désigner un vainqueur, elle a donc construit un modèle combiné qui fait la moyenne des prédictions des six meilleurs modèles. C'est ce modèle combiné le héros de l'étude.

Vérifié deux fois par des nez humains

Ce sont des nez humains qui ont corrigé les réponses de l'intelligence artificielle. Il y a eu deux épreuves.

• Première épreuve (New York, université Rockefeller) — 34 personnes y ont participé. 92 mélanges formaient 46 paires, et chaque mélange comptait 10 composants, sans aucun recoupement entre les deux mélanges d'une paire. L'épreuve utilisait le test triangulaire : il s'agit de désigner, parmi trois flacons, celui qui sent différemment.
• Deuxième épreuve (Philadelphie, Monell Chemical Senses Center) — 16 personnes y ont participé après la fin du concours. 59 mélanges nouvellement conçus formaient 50 paires, avec 9 à 11 composants par mélange. Les participants notaient directement la ressemblance entre deux odeurs.

La deuxième épreuve comportait un garde-fou amusant. Les participants comparaient une molécule à l'odeur d'ail et une molécule à l'odeur d'ananas, puis une molécule à l'odeur de fraise avec elle-même. Ils ont jugé la première paire éloignée et la seconde très proche. C'est la preuve que l'échelle fonctionnait correctement.

Deux chiffres à connaître avant de commencer

Deux chiffres reviennent sans cesse dans cette étude. Ils peuvent sembler difficiles : prenons-en simplement la mesure.

Le coefficient de corrélation indique à quel point la prédiction et la réalité évoluent dans le même sens. À 1, elles évoluent parfaitement ensemble ; à 0, elles n'ont aucun rapport. Une valeur de 0,61 ne veut pas dire 61 % de bonnes réponses. Il suffit de comprendre que les paires jugées plus éloignées par les personnes sont en général aussi désignées comme plus éloignées par le modèle.

L'erreur moyenne (la RMSE de l'étude) indique de combien la prédiction s'écarte en moyenne de la distance réelle. Plus elle est petite, mieux c'est. À 0,08, la prédiction se trompe d'à peu près cette valeur sur l'échelle de 0 à 1.

Retenez donc le coefficient de corrélation comme « l'ordre est-il bon ? » et l'erreur moyenne comme « les valeurs sont-elles proches ? ».

Quelle a été la précision du modèle combiné ?

Il a largement devancé les méthodes existantes

Lors de la première épreuve, le modèle combiné a obtenu une erreur moyenne de 0,08 et un coefficient de corrélation de 0,57. Par rapport aux principales méthodes existantes, l'erreur a baissé d'environ 33 % et le coefficient de corrélation a gagné 53 %. Il a aussi fait mieux que le modèle de chacune des équipes en lice.

Un point mérite ici l'attention. Après le concours, l'équipe a construit un nouveau modèle en ne gardant que les caractéristiques qui semblaient les plus importantes. Ce modèle n'a pas rattrapé le modèle combiné et s'est arrêté au niveau des meilleures équipes prises une à une. L'équipe l'interprète ainsi : bien choisir ses ingrédients ne suffit pas, il faut réunir des approches différentes pour atteindre ce niveau.

Il a tenu bon face à des problèmes inédits

Un modèle qui ne réussit que les problèmes du concours a peu d'utilité. Il a donc été de nouveau testé, après le concours, sur 50 paires nouvellement conçues. L'erreur moyenne du modèle combiné est montée à 0,13, mais ses bonnes performances se sont maintenues. C'est significatif, sachant que le lieu, les participants et la méthode de l'épreuve étaient tous différents.

Des résultats différents selon le type de problème

Les 46 paires de l'épreuve finale se répartissaient en trois groupes : 16 paires créées au hasard, 20 paires conçues par des personnes pour paraître semblables et 10 paires rendues semblables par une méthode de calcul de distance existante. Les équipes ne savaient pas à quel groupe appartenait chaque paire.

L'erreur moyenne du modèle combiné était faible sur les deux groupes conçus, à 0,07 et 0,06, et de 0,10 sur le groupe aléatoire. Le coefficient de corrélation allait en sens inverse : un peu plus élevé sur le groupe aléatoire, à 0,45, et de 0,38 sur les deux autres. L'équipe ajoute que le faible nombre de paires invite à lire avec prudence les chiffres des petits groupes.

Pourquoi les mots ont-ils battu la structure moléculaire ?

C'est sans doute le résultat le plus cité de cette étude.

En ne gardant que les mots, le modèle s'est amélioré

L'équipe a mené une expérience consistant à retirer un à un les ingrédients du modèle. Elle a enlevé les caractéristiques chimiques des molécules, les informations sur les récepteurs de notre corps et les informations sur les mélanges, pour ne conserver que ce qui correspond aux mots qui nomment les odeurs.

Le résultat a été étonnant. Lors de la première épreuve, le modèle combiné réduit aux mots a atteint un coefficient de corrélation de 0,61 et une erreur moyenne de 0,075, soit mieux que le modèle combiné utilisant tous les ingrédients. Lors de la deuxième épreuve aussi, son coefficient de corrélation de 0,54 était supérieur de 15 %.

À l'inverse, le modèle privé des mots s'est nettement dégradé. Son coefficient de corrélation est tombé à 0,41 lors de la première épreuve, et il s'est approché du niveau du hasard lors de la deuxième.

Que veut dire « les mots » ici ?

Ce passage prête à confusion, soyons donc précis. Il ne s'agit pas de notes d'olfaction écrites par des personnes ayant senti les mélanges. L'ordinateur regarde la structure d'une molécule et prédit d'abord « comment les gens appelleraient-ils cette molécule ? ». Il attribue des probabilités à 138 mots, comme fruité ou herbacé. Les combinaisons de mots ainsi obtenues servent ensuite à comparer deux mélanges.

Autrement dit, on ne passe pas directement de la molécule à la distance olfactive : on fait une halte intermédiaire par les mots. Le plus étonnant est que ces mots ont été appris sur des molécules seules et pures, et non sur des mélanges, et qu'ils expliquent pourtant bien les distances entre mélanges.

L'équipe va un peu plus loin. Peut-être l'odeur d'un mélange ne naît-elle pas d'un principe fondamentalement différent de celle d'une molécule seule. La difficulté se situerait moins à l'« étape du mélange » qu'à l'« étape du passage de la molécule à l'odeur ». L'étude précise toutefois que certains chercheurs ne partagent pas ce point de vue.

Quels mots ont pesé le plus ?

Une équipe a regroupé les 138 mots en 12 familles. Dans son modèle, les familles les plus influentes étaient le fruité, l'herbacé et aromatique, ainsi que le noisette, gras et torréfié.

Les résultats variaient aussi d'un mot à l'autre. Dans l'analyse de cette même équipe, vert, propre et cognac étaient liés à une baisse de l'erreur, tandis que violette, aromatique et naturel étaient liés à une hausse. L'équipe de recherche s'est gardée d'interpréter ce résultat directement. Il est tout de même intéressant d'y trouver un mot aussi large que « naturel ». Ce point relève de notre impression, et non de la conclusion de l'étude.

Pas besoin de beaucoup d'ingrédients

Pour chaque modèle, l'équipe a empilé les caractéristiques les plus influentes les unes après les autres. Parmi les modèles les plus précis, trois ont atteint la moitié de l'influence totale avec moins de 100 caractéristiques. Un autre en a demandé environ 1 000 : l'écart est grand. Autrement dit, expliquer la distance olfactive ne demande pas forcément une foule d'ingrédients complexes.

Le nez humain est-il fiable ?

Le score humain est le plafond

C'est le passage le plus honnête de l'étude. L'équipe a aussi mesuré à quel point les mêmes personnes redonnent la même réponse lorsqu'elles jugent à nouveau. Lors de la deuxième épreuve, les participants ont jugé deux fois à au moins un jour d'intervalle, et le coefficient de corrélation entre les deux résultats a été de 0,74. Lors de la première épreuve, la valeur obtenue en comparant deux moitiés était de 0,69.

C'est somme toute logique. Même la moyenne des jugements humains ne se reproduit pas à l'identique. Il est donc difficile pour un modèle de faire mieux que les humains à leur propre jeu. Les 0,61 et 0,54 du modèle réduit aux mots n'ont pas encore atteint ce plafond. L'équipe reconnaît elle-même qu'il reste un écart entre le modèle et les personnes.

Il se trompe quand c'est très proche ou très différent

Le modèle était le plus précis pour des distances de 0,5 à 0,8, car c'est là que se concentrent les données d'apprentissage. Les mélanges faits au hasard tombent généralement dans cette plage.

À l'inverse, en dessous de 0,5 et au-dessus de 0,8, l'erreur augmentait. Les modèles avaient tendance à ramener leurs prédictions vers le milieu : ils estimaient les paires très semblables un peu plus éloignées qu'en réalité, et les paires très différentes un peu plus proches.

Pour un parfumeur, ce point est important. Le jugement le plus difficile en pratique est de départager deux essais « presque identiques, mais quelque chose diffère ». C'est justement là que les modèles actuels sont les plus faibles.

Le nouveau modèle n'a pas toujours gagné

En divisant la deuxième épreuve en cinq tranches selon la distance, l'erreur du modèle antérieur, la carte principale des odeurs, était plus faible dans la tranche la plus semblable. Dans les quatre autres, le modèle combiné et le modèle réduit aux mots étaient devant. Une bonne moyenne globale ne signifie donc pas de bons résultats dans toutes les tranches.

En quoi est-ce différent d'un vrai parfum ?

Il serait imprudent de transposer telle quelle cette étude au parfum. L'écart est grand entre les mélanges de laboratoire et les vrais parfums.

• Des mélanges à intensité égalisée — Dans la plupart des données, l'intensité des composants a été ajustée à l'avance. Dans une vraie odeur, les composants forts masquent les faibles, et le caractère change selon la concentration. L'équipe note que le traitement de l'intensité reste à faire.
• Le nombre de composants — Les mélanges testés comptaient une dizaine de composants. L'équipe explique que les odeurs du quotidien sont le plus souvent des mélanges de dizaines ou de centaines de molécules.
• Des matières limitées — La gamme de molécules utilisées est étroite. On ignore encore si la méthode fonctionne sur des molécules inconnues.
• Un jugement instantané — L'étude demandait à quel point deux odeurs se ressemblent. Elle ne demandait ni comment une odeur évolue dans le temps, ni si elle plaît.

Retenez surtout le dernier point. La distance dit seulement à quel point deux odeurs diffèrent. Elle ne dit pas laquelle sent le mieux.

Il y a tout de même une bonne nouvelle. L'équipe a rendu publics ses données, ses modèles et son code. N'importe qui peut donc tester une meilleure méthode sur le même problème. Pour autant, cela ne veut pas dire qu'il existe un outil où un parfumeur saisirait deux accords pour obtenir aussitôt leur distance. Pour l'instant, c'est plutôt une référence destinée aux chercheurs.

Qu'est-ce qu'un métamère ? Des matières différentes, la même odeur

L'un des jeux de données de l'étude provient de recherches visant à créer des métamères olfactifs. Un métamère est une paire de mélanges qui se ressemblent à l'odorat alors qu'ils n'ont aucun composant en commun. En termes de couleur, cela rappelle le phénomène où des lumières de composition différente paraissent de la même couleur.

L'équipe prévoit que ces résultats permettront de créer efficacement des métamères virtuels sur ordinateur pour les tester. On sélectionnerait d'abord des candidats par le calcul, puis des personnes les vérifieraient.

Les applications citées par les auteurs sont vastes : olfaction numérique pour stocker et transmettre des odeurs sous forme de données, technologies de suivi de la santé à partir de l'haleine notamment, nez électroniques et conception générative de parfums. Il s'agit toutefois de possibilités futures : cette étude n'a pas elle-même conçu de parfum.

Commentaire : ce que cette étude dit à ceux qui apprennent la parfumerie

À partir d'ici, il ne s'agit plus des conclusions de l'étude, mais de l'interprétation de GrassAccord.

Mettre une odeur en mots, c'est concevoir et non commenter

En cours de parfumerie, beaucoup trouvent fastidieux d'écrire des notes sur les matières. Pourquoi les écrire, puisqu'il suffit de les sentir ? Cette étude invite à reconsidérer cette habitude, car quelques mots d'odeur ont mieux expliqué la distance entre mélanges qu'une masse d'informations moléculaires.

Bien sûr, les mots d'un ordinateur et les notes d'une personne ne sont pas la même chose. Mais ils vont dans la même direction. Découper une odeur en mots permet de la comparer. Une note qui s'arrête à « agréable » ne sert à rien pour le prochain mélange, alors qu'une note comme « herbe très présente, bois mouillé qui reste à la fin » est utilisable.

Commencez par les matières seules

Les mots ont été appris sur des molécules seules, et ils ont pourtant expliqué les mélanges. L'apprentissage de la parfumerie suit le même ordre. Si vous connaissez nettement l'impression d'une matière, vous saurez lire ce qui s'est passé une fois mélangée. Le temps passé à sentir une matière de nombreuses fois rapporte plus, à terme, que de multiplier les accords.

Il est utile ici d'emprunter une méthode au laboratoire. De même que l'équipe a égalisé l'intensité des composants, égalisez la dilution lorsque vous comparez des matières. Si l'une est plus concentrée, vous comparez l'intensité et non le caractère des matières. Les jugements portés sur des matières pures changent souvent une fois celles-ci diluées.

Choisissez des mots au sens précis

Le mot « naturel » est pratique, mais il recouvre beaucoup de choses. Descendez d'un cran : qu'est-ce qui est naturel, au juste ? Notez s'il s'agit d'herbe coupée, de terre mouillée ou de fruit fraîchement pelé. Comme nous l'avons dit, l'étude ne le démontre pas, mais vous vérifierez vite devant votre orgue qu'un mot au sens étroit sert davantage au jugement suivant.

Recréez la même impression avec d'autres matières

La notion de métamère est aussi d'un grand réconfort pour les débutants. Même si une matière est introuvable ou réglementée, vous pouvez reconstruire la même impression avec d'autres matières. Pour sentir pareil, il n'est pas indispensable d'avoir les mêmes molécules.

De nombreuses formules vendues par GrassAccord prennent elles aussi des parfums célèbres comme support d'étude. Mais semblable et identique ne sont pas la même chose. Cette étude, elle aussi, porte sur l'impression d'un instant. Comment l'odeur évolue dans le temps, c'est à vous de l'observer en gardant la mouillette devant vous.

Faites confiance à votre nez, mais pas une seule fois

Même la moyenne des jugements humains ne donne que 0,74 quand on la mesure à nouveau. Si deux odeurs semblables hier vous paraissent différentes aujourd'hui, ce n'est peut-être pas que votre nez a un problème. Le jugement varie par nature. Pour une décision importante, sentez de nouveau le lendemain et comparez avec votre première note. C'est l'habitude, et non les chiffres, qui protège votre jugement.

Plusieurs nez valent mieux qu'un

Dans cette étude, le meilleur résultat n'est pas venu d'une équipe brillante, mais de la moyenne d'équipes différentes. Il en va de même pour sentir. Quand vous n'arrivez pas à trancher seul ou seule, faites sentir à quelqu'un d'autre. Un simple « ça sent le savon » venant d'une personne qui ne connaît rien à la parfumerie peut devenir un précieux indice.

L'intelligence artificielle ne fait que réduire les candidats

L'avenir que dessine cette étude est moins un monde sans parfumeurs qu'un monde où le calcul réduit les candidats et où les personnes décident avec leur nez. Le modèle n'a pas encore jugé du bon et du mauvais, et il s'est montré faible dans la zone la plus difficile, celle du « presque pareil, mais différent ». Pour un moment encore, cette dernière étape reste le domaine du nez humain.

Trois exercices à faire tout de suite devant votre orgue à parfums

Il serait dommage de s'arrêter à la lecture de l'étude. Réduisons ce qu'a fait l'équipe à une petite échelle et transposons-le à votre orgue à parfums. Fixez les proportions selon vos matières et vos goûts.

Exercice 1. Créer votre propre vocabulaire d'odeurs

Choisissez dix matières que vous utilisez souvent et trempez une mouillette dans chacune. Pour chaque matière, notez seulement trois mots. Écartez les mots de jugement comme « agréable » et n'employez que des mots qui désignent une odeur, comme fruit, herbe, bois ou savon. Une semaine plus tard, cachez les noms, notez de nouveau et comparez. Les mots restés identiques sont le vrai visage de la matière.

Exercice 2. Un test triangulaire à la maison

Préparez deux essais semblables. Sur trois mouillettes, trempez-en deux dans le même essai et une dans l'autre, en marquant le dessous. Demandez à quelqu'un de mélanger l'ordre, puis essayez de trouver celle qui diffère. Si vous réussissez à chaque fois sur plusieurs essais, les deux sont des odeurs distinctes. Si vos réussites restent au niveau du hasard (une fois sur trois), elles sont pour l'instant presque identiques pour votre nez.

Exercice 3. Mesurer la distance avec votre nez

Notez la distance entre deux odeurs par un nombre de 0 à 1 : 0 signifie impossible à distinguer, 1 complètement différentes. Notez environ cinq paires, puis recommencez le lendemain dans le même ordre. En voyant à quel point les chiffres varient, vous connaîtrez l'amplitude de votre jugement. Ce n'est pas grave s'ils bougent. Connaître cette amplitude est le but de l'exercice.

Les précautions à prendre en lisant cette étude

• Ce n'est pas une étude sur les parfums. Elle porte sur des mélanges de molécules de recherche. Cela ne veut pas dire qu'elle s'applique telle quelle aux formules de parfums.
• Les problèmes d'épreuve sont peu nombreux. La première épreuve compte 46 paires. C'est pourquoi le classement des meilleures équipes n'a pas pu être établi, et l'équipe invite à lire avec prudence les résultats des petits groupes.
• Le modèle est fort dans la zone médiane. Les données d'apprentissage étant concentrées sur des distances de 0,5 à 0,8, il est faible pour les paires très semblables ou très différentes.
• Les méthodes de mesure sont mêlées. Les tests triangulaires et les notations ont été ramenés sur une seule échelle : des biais liés à la méthode peuvent subsister.
• L'intensité n'est pas assez prise en compte. La plupart des composants avaient une intensité égalisée. Dans les vraies odeurs, l'intensité est une variable majeure.
• On ignore si cela fonctionne sur de nouvelles molécules. La gamme de molécules testées est étroite.
• L'interprétation a ses opposants. L'étude indique que certains chercheurs n'adhèrent pas à l'idée que l'odeur d'un mélange est en grande partie déterminée par le recoupement des mots.
• Des liens de conseil avec des entreprises sont déclarés. L'étude indique que certains auteurs conseillent des entreprises liées à l'olfaction.

Les mots de cet article

• Molécule seule — Substance odorante faite d'une seule sorte de molécule.
• Mélange — Association de plusieurs molécules. Dans cette étude, une dizaine de composants.
• Distance — Valeur de 0 à 1 indiquant à quel point deux odeurs paraissent différentes. 0 signifie impossibles à distinguer, 1 les plus différentes.
• Test triangulaire — Méthode qui mesure la capacité à distinguer en faisant désigner l'élément différent parmi trois.
• Coefficient de corrélation — Nombre qui indique à quel point deux valeurs évoluent ensemble. Plus il est proche de 1, plus elles évoluent ensemble.
• Erreur moyenne (RMSE) — Écart moyen entre la prédiction et la réalité. Plus elle est petite, mieux c'est.
• Modèle combiné (ensemble) — Modèle unique obtenu en faisant la moyenne des prédictions de plusieurs modèles.
• Information des mots (caractéristiques sémantiques) — Valeurs par lesquelles l'ordinateur prédit de quels mots d'odeur une molécule serait qualifiée.
• Carte principale des odeurs (POM) — Modèle issu de recherches antérieures qui prédit les mots d'odeur à partir de la structure moléculaire. Beaucoup d'équipes de ce concours l'ont utilisé comme ingrédient.
• Métamère — Paire de mélanges qui se ressemblent à l'odorat bien que leurs composants ne se recoupent pas.
• Accord — Unité olfactive dans laquelle plusieurs matières sont mélangées pour se lire comme une seule impression.
• Formule — Le plan qui indique quelles matières mélanger et dans quelles proportions pour obtenir un parfum. C'est ce que vend GrassAccord.

Pour conclure

Le nez n'a toujours pas de règle comparable au rouge, au vert et au bleu. Mais le premier indice découvert par 26 équipes réunies se trouvait, contre toute attente, du côté du langage humain. Quelques mots désignant des odeurs ont mieux expliqué la distance entre deux parfums que de longues descriptions de molécules.

Et mesurer cette distance jusqu'au bout reste l'affaire du nez humain. Le nez varie, le modèle penche vers le milieu. Aucun des deux n'étant parfait, sentir lentement devant une mouillette, écrire ce que l'on sent, puis sentir de nouveau le lendemain reste aujourd'hui encore la méthode la plus fiable.

Pour celles et ceux qui commencent tout juste la parfumerie, c'est une bonne nouvelle. Pas besoin d'équipement coûteux : des mouillettes et un carnet suffisent pour s'engager sur la voie que montre cette étude. Le parfum est une langue universelle. GrassAccord vous accompagnera pendant que vous en rassemblez les mots, un à un.

Source de l'étude : 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, publiée le 4 août 2026. Original : https://doi.org/10.1073/pnas.2611057123 · Tous les chiffres de cet article sont tirés du corps de l'étude ; le texte est un résumé et un commentaire de GrassAccord. La section « Commentaire » est l'interprétation de GrassAccord et non la conclusion de l'étude.