Misturas olfativas: a chave estava nas palavras — a GrassAccord explica o artigo «Prever a distância entre misturas de odores»

Imagine duas fitas olfativas bem diante do nariz. Uma traz uma mistura olfativa de 10 moléculas. A outra também reúne 10 moléculas, mas nenhuma delas coincide com as da primeira. Mesmo assim, para o nariz humano, os dois aromas parecem bastante próximos.

Por que isso acontece? E será possível saber o resultado antes de misturar? Um artigo publicado em agosto na revista da Academia Nacional de Ciências dos Estados Unidos (PNAS) registra como 26 equipes de pesquisa de vários países enfrentaram juntas essa pergunta antiga.

O resultado surpreendeu. A melhor chave para prever o cheiro de uma mistura não foi ler diretamente a forma das moléculas. A previsão ficou mais precisa quando passou por palavras que nomeiam cheiros, como «frutado» ou «herbal».

Se você começou a compor perfumes, talvez já tenha se perguntado:

• Descrever um aroma em palavras ajuda mesmo a melhorar?
• Dois aromas que ontem pareciam iguais hoje parecem diferentes: será que há algo errado com o meu nariz?
• A inteligência artificial logo vai montar os acordes no meu lugar?

O artigo dá pistas para as três perguntas. Na primeira parte, mostramos o que a equipe fez e o que descobriu; na segunda, acrescentamos o nosso comentário sobre como quem está aprendendo pode usar esses resultados no órgão. Os termos menos conhecidos estão explicados lá no fim, então leia com calma.

Primeiro, que artigo é este?

• Título: A semantic-based community model for high-fidelity tuning of olfactory mixture distances (Um modelo coletivo baseado no significado das palavras para ajustar com precisão as distâncias entre misturas olfativas)
• Autores: um grande grupo de pesquisadores liderado por Vahid Satarifard e Pablo Meyer. Participaram instituições de vários países, como a Universidade Yale, a Universidade Rockefeller, o Monell Chemical Senses Center, o Instituto Weizmann e a IBM Research. Entre os coautores estão Leslie B. Vosshall, Noam Sobel e Joel D. Mainland, nomes conhecidos da pesquisa em olfato.
• Publicação: PNAS, volume 123, número 32, publicado em 4 de agosto de 2026. É um artigo revisado pela revista.
• Ler o original: doi.org/10.1073/pnas.2611057123 — qualquer pessoa pode ler de graça (em inglês).
• Atenção: o estudo trata de misturas de moléculas feitas para pesquisa, não de perfumes. Os próprios autores citam a criação de perfumes apenas como uma das aplicações futuras.

Por que escolhemos este artigo?

No nosso primeiro texto sobre artigos científicos, olhamos cerca de 170 mil perfumes do alto, em números. Era um mapa do mercado e da cultura. Agora seguimos na direção oposta: observamos o nariz de uma pessoa sentada diante de duas fitas olfativas.

Compor perfumes é, no fim das contas, misturar. Só que o nariz ainda não tem as regras que os olhos e os ouvidos têm. Com vermelho, verde e azul se formam as cores de uma tela, e o som pode ser explicado por frequências. Segundo a equipe, o olfato ainda não tem um modelo comparável. Por isso, os perfumistas se apoiaram por muito tempo na experiência e no nariz.

Este artigo lança sobre esse vazio a primeira ponte realmente firme. Não é uma ponte terminada. Mas mostra com honestidade até onde chegou e onde ainda se interrompe, e isso faz dele um ótimo material de estudo para quem está aprendendo perfumaria.

A tentativa de desenhar um mapa do nariz

Antes de entrar no assunto, vejamos por que essa competição foi criada.

O cheiro de uma única molécula já é bem previsível

Prever o cheiro de uma molécula só pela estrutura foi, por muito tempo, um problema famoso pela dificuldade. Nos últimos dez anos, isso mudou. O primeiro desafio DREAM de olfato mostrou que um computador consegue prever, a partir da estrutura molecular, expressões de cheiro como alho, doce ou floral.

Em 2023 surgiu um modelo chamado Mapa Principal de Odores (POM). É um mapa que posiciona as estruturas moleculares em um espaço de cheiros. Segundo o artigo, esse modelo previu expressões de cheiro melhor do que a pessoa mediana do painel de avaliadores. Muitas equipes desta competição usaram justamente esse mapa como ingrediente.

Só que quase todos os cheiros do mundo são misturas

O problema vem depois. O que sentimos no dia a dia, como café, flores e perfumes, costuma ser uma mistura de dezenas ou centenas de moléculas. Acertar uma molécula isolada não adianta muito no mundo real se não conseguimos prever o que acontece quando elas se misturam.

Quem já compôs um perfume conhece bem essa dificuldade. Você mistura duas boas matérias-primas e surge algo bem diferente do esperado, ou uma delas parece desaparecer. Faltava um padrão público para prever misturas, e foi assim que surgiu uma competição em que várias equipes resolvem o mesmo problema.

Como foi a competição entre 26 equipes?

Experimentos dispersos reunidos em um só lugar

Primeiro, a equipe juntou em um só conjunto seis bases de dados de três estudos que haviam sido feitos separadamente. Este foi o tamanho do conjunto:

• 168 moléculas isoladas
• 731 misturas diferentes
• 507 medições comparando duas misturas

Como os métodos variavam, todos os resultados foram levados para uma única escala. O 0 significa que não dá para distinguir os dois aromas; o 1, que eles não poderiam ser mais diferentes. A equipe chama esse número de distância entre cheiros. É medir o espaço entre dois aromas como se mede o espaço entre duas cidades em um mapa.

Três meses de disputa

A competição se chama DREAM Challenge. Nela, várias equipes enfrentam o mesmo problema e comparam abertamente a capacidade de previsão. As 26 equipes aperfeiçoaram seus modelos de inteligência artificial por cerca de três meses e fizeram a prova final com 46 pares de misturas de resposta oculta.

Nos exercícios de treino, era possível enviar previsões até três vezes por semana e ver a pontuação. Foram enviadas 159 previsões de treino durante a competição, e 19 equipes chegaram a entregar a prova final.

A disputa não teve um desfecho limpo. Quatro equipes, D2Smell, UMich CASI, ChemSenSim Lab e belfaction, empataram em primeiro lugar. Os pesquisadores acham que, com apenas 46 pares na prova, seria difícil separar as diferenças. Por isso, em vez de escolher uma equipe, criaram um modelo conjunto com a média das previsões dos seis melhores modelos. Esse modelo conjunto é o protagonista do artigo.

O nariz humano conferiu duas vezes

Quem deu nota às respostas da inteligência artificial foi o nariz humano. Houve duas provas.

• Primeira prova (Nova York, Universidade Rockefeller) — participaram 34 pessoas. Eram 92 misturas formando 46 pares, cada mistura com 10 componentes sem sobreposição entre si. Usou-se o teste triangular, em que se escolhe, entre três frascos, aquele que cheira diferente.
• Segunda prova (Filadélfia, Monell Chemical Senses Center) — depois da competição, participaram 16 pessoas. Foram 59 misturas novas formando 50 pares, cada mistura com 9 a 11 componentes. Os participantes deram nota direta ao grau de semelhança entre os aromas.

A segunda prova tinha uma trava de segurança curiosa. Os participantes compararam uma molécula com cheiro de alho e outra com cheiro de abacaxi, e também uma molécula com aroma de morango com ela mesma. Eles julgaram o primeiro par distante e o segundo muito próximo. É sinal de que a escala estava funcionando direito.

Basta conhecer dois números

Dois números aparecem o tempo todo neste artigo. Podem parecer difíceis, então vamos pegar a ideia geral de um jeito simples.

O coeficiente de correlação mostra o quanto a previsão e a realidade se movem na mesma direção. Se for 1, elas se movem juntas com perfeição; se for 0, não há relação nenhuma. Um valor de 0,61 não significa 61% de acertos. Basta entender que, em geral, o modelo também aponta como mais distantes os pares que as pessoas sentiram como mais distantes.

O erro médio (RMSE, no artigo) indica o quanto a previsão se afastou, em média, da distância real. Quanto menor, melhor. Um valor de 0,08 quer dizer que ela erra mais ou menos isso na escala de 0 a 1.

Então guarde assim: correlação é «acerta a ordem?», e erro médio é «chega perto do valor?».

O quanto o modelo conjunto acertou?

Superou com folga os métodos anteriores

Na primeira prova, o modelo conjunto registrou erro médio de 0,08 e coeficiente de correlação de 0,57. Em comparação com os principais métodos anteriores, o erro caiu cerca de 33% e a correlação subiu 53%. O resultado também foi melhor que o de qualquer equipe isolada da competição.

Há um ponto que merece atenção. Depois da competição, a equipe criou um novo modelo só com as características que pareciam mais importantes. Esse modelo não alcançou o modelo conjunto e ficou no nível das melhores equipes individuais. A interpretação dos pesquisadores é a seguinte: escolher bons ingredientes não basta; é preciso reunir abordagens diferentes para chegar àquele nível.

Resistiu também a problemas nunca vistos

Um modelo que só resolve as questões da competição serve para pouco. Por isso, depois do fim da disputa, foi feita uma nova prova com 50 pares recém-criados. O erro médio do modelo conjunto subiu para 0,13, mas o bom desempenho se manteve. Isso tem muito valor, considerando que o local, os participantes e o método da prova eram outros.

O resultado mudou conforme o tipo de questão

Os 46 pares da prova final estavam divididos em três grupos: 16 pares aleatórios, 20 pares criados por pessoas para parecerem semelhantes e 10 pares ajustados para ficarem semelhantes por um método anterior de cálculo de distância. As equipes participantes não sabiam a qual grupo cada par pertencia.

O erro médio do modelo conjunto foi pequeno nos dois grupos planejados, com 0,07 e 0,06, e chegou a 0,10 no grupo aleatório. Na correlação foi o contrário: o grupo aleatório ficou um pouco acima, com 0,45, e os outros dois marcaram 0,38. A equipe acrescentou que os números dos grupos menores devem ser lidos com cuidado, porque há poucos pares.

As palavras venceram a estrutura molecular

Este é, provavelmente, o resultado mais citado do artigo.

Só com as palavras, a previsão melhorou

A equipe fez um experimento retirando os ingredientes do modelo um a um. Tirou as características químicas das moléculas, as informações sobre receptores do corpo e os dados das misturas, e deixou apenas a informação correspondente às palavras que nomeiam cheiros.

O resultado foi surpreendente. O modelo conjunto só com palavras alcançou, na primeira prova, correlação de 0,61 e erro médio de 0,075, melhor até do que o modelo conjunto com todos os ingredientes. Na segunda prova, a correlação foi de 0,54, 15% mais alta.

Já o modelo sem palavras piorou muito. A correlação caiu para 0,41 na primeira prova e, na segunda, chegou perto do nível do acaso.

O que significa «palavras» aqui?

É fácil entender errado, então vamos ser precisos. Não foram usadas anotações de pessoas que cheiraram as misturas. O computador olha a estrutura de uma molécula e primeiro prevê como as pessoas a chamariam. Ele atribui probabilidades a 138 palavras, como frutado ou herbal. Depois, compara as duas misturas com essas combinações de palavras.

Ou seja, em vez de ir direto da molécula à distância entre cheiros, o caminho passa por uma estação intermediária feita de palavras. O que surpreende é que essas palavras foram aprendidas com moléculas puras, e não com misturas, e mesmo assim explicaram bem a distância entre as misturas.

A equipe vai um passo além. Talvez o cheiro de uma mistura não siga um princípio radicalmente diferente do cheiro de uma molécula isolada. A parte difícil poderia estar menos na etapa de misturar e mais na passagem da molécula para o cheiro. O artigo também registra, porém, que há pesquisadores que discordam dessa visão.

Quais palavras tiveram mais força?

Uma equipe agrupou as 138 palavras em 12 conjuntos. No modelo dela, os conjuntos de maior influência foram frutado, grama e ervas, e nozes, óleos e torrados.

O desempenho também variou de palavra para palavra. Na análise da mesma equipe, verde, limpo e conhaque se ligaram à redução do erro, enquanto violeta, aromático e natural se ligaram ao aumento. A equipe deixou claro que é difícil interpretar esse resultado de imediato. Ainda assim, é curioso ver ali uma palavra tão ampla quanto natural. Isso é impressão nossa, não conclusão do artigo.

Não foram necessários tantos ingredientes

Os pesquisadores somaram, modelo por modelo, as características de maior influência. Três dos modelos mais precisos atingiram metade da influência total com menos de 100 características. Outro modelo precisou de cerca de 1.000, o que mostra uma grande diferença. Ou seja, explicar a distância entre cheiros não exige necessariamente muitos ingredientes complexos.

O nariz humano também oscila

O registro humano é o teto

Este é o trecho mais honesto do artigo. A equipe mediu também o quanto as mesmas pessoas repetem a resposta ao julgar de novo. Na segunda prova, os participantes julgaram duas vezes, com pelo menos um dia de intervalo, e a correlação entre os dois resultados foi de 0,74. Na primeira prova, comparando metade contra metade, o valor foi de 0,69.

Pensando bem, faz sentido. Nem o julgamento médio das pessoas se repete com perfeição. Por isso, é difícil um modelo acertar mais que as próprias pessoas. Os valores de 0,61 e 0,54 do modelo só com palavras ainda não chegaram a esse teto. A própria equipe reconhece que resta uma brecha entre modelo e pessoas.

O erro aparece quando os aromas são muito parecidos ou muito diferentes

O modelo foi mais preciso na faixa de distância de 0,5 a 0,8, porque os dados de treinamento se concentram ali. Segundo o artigo, as misturas feitas ao acaso costumam cair nessa faixa.

Abaixo de 0,5 ou acima de 0,8, o erro aumentou. Os modelos mostraram o hábito de puxar as previsões para o meio. Pares muito parecidos eram estimados um pouco mais distantes do que eram, e pares muito diferentes, um pouco mais próximos.

Para quem compõe perfumes, isso importa. O julgamento mais difícil na prática é separar duas versões «quase iguais, mas com algo diferente». É justamente nessa faixa que os modelos atuais são mais fracos.

O modelo novo nem sempre venceu

Quando a segunda prova foi dividida em cinco faixas de distância, o modelo anterior, o Mapa Principal de Odores, teve erro menor na faixa de maior semelhança. Nas outras quatro, o modelo conjunto e o modelo só com palavras ficaram à frente. Isso mostra que uma boa média geral não significa bom desempenho em todas as faixas.

O que muda em relação aos perfumes de verdade?

Não dá para transferir este estudo diretamente para os perfumes. Há grandes diferenças entre as misturas do laboratório e um perfume real.

• Intensidade ajustada — na maioria dos dados, a intensidade dos componentes foi igualada de antemão. Em um aroma real, um componente forte encobre um fraco, e o caráter do cheiro muda com a concentração. A equipe registrou que tratar da intensidade é uma tarefa futura.
• Número de componentes — as misturas de teste tinham cerca de 10 componentes. A equipe explica que os cheiros do dia a dia costumam ser misturas de dezenas ou centenas de moléculas.
• Matérias-primas limitadas — a gama de moléculas usadas é estreita. Ainda não se sabe se o método funciona com moléculas nunca vistas.
• Um julgamento instantâneo — o estudo perguntou o quanto dois aromas se parecem. Não perguntou como um aroma muda com o tempo nem se as pessoas gostam dele.

Guarde em especial o último item. A distância diz o quanto dois aromas são diferentes, mas não diz qual dos dois é melhor.

Há um ponto que merece comemoração. A equipe tornou públicos os dados, os modelos e o código. Isso significa que qualquer pessoa pode testar métodos melhores com o mesmo problema. Mas essa abertura não criou uma ferramenta em que um perfumista coloca dois acordes e recebe a distância na hora. Por enquanto, é mais uma referência para pesquisadores.

Metâmeros: materiais diferentes, mesmo aroma

Uma das bases de dados do artigo veio de um estudo que tentava criar metâmeros olfativos. Metâmeros são pares de misturas que parecem semelhantes sem ter componentes em comum. Lembra o que acontece com a cor, quando luzes de composição diferente parecem ter a mesma cor.

A equipe prevê que, com estes resultados, será possível criar metâmeros virtuais no computador de forma eficiente e testá-los. A ordem seria primeiro selecionar candidatos por cálculo e depois confirmar com pessoas.

Os autores citam muitas aplicações: olfato digital, que guarda e transmite cheiros como dados; tecnologias que acompanham a saúde pelo hálito e por outras vias; narizes eletrônicos; e criação generativa de fragrâncias. Mas essas são possibilidades futuras: este artigo não mostrou a criação de um perfume.

Comentário: o que este artigo diz a quem está aprendendo perfumaria

A partir daqui, o texto não traz conclusões do artigo, e sim a interpretação da GrassAccord.

Descrever um aroma é projetar, não apenas apreciar

Quando alguém pede anotações sobre as matérias-primas em uma aula de perfumaria, muita gente acha isso chato. Se dá para cheirar, por que escrever? Este artigo nos faz rever esse hábito, porque algumas palavras de cheiro explicaram a distância entre misturas melhor do que uma enorme quantidade de dados moleculares.

É claro que as palavras do computador e as anotações de uma pessoa não são a mesma coisa. Mas a direção é parecida. Quando você separa um aroma em palavras, ele passa a ser comparável. Uma anotação que termina em «gostei» não serve para a próxima composição; já «forte em grama, com madeira molhada no final» serve.

Aprenda primeiro as matérias-primas isoladas

As palavras foram aprendidas com moléculas isoladas e, mesmo assim, explicaram as misturas. A ordem do aprendizado em perfumaria é igual. Quando você conhece com clareza a impressão de uma matéria-prima, consegue entender o que aconteceu ao misturá-la. Cheirar uma matéria-prima muitas vezes rende mais, no futuro, do que criar muitos acordes.

Vale aproveitar aqui um método do laboratório. Assim como a equipe igualou a intensidade dos componentes, iguale a concentração da diluição ao comparar matérias-primas. Se uma estiver mais forte, você estará comparando intensidade, e não caráter. Um julgamento feito com as matérias-primas puras muitas vezes muda depois da diluição.

Escolha palavras de sentido estreito

A palavra natural é prática, mas abarca muita coisa. Desça mais um degrau e pergunte o que exatamente parece natural. Escreva se é cheiro de grama cortada, de terra molhada ou de fruta descascada. Como dissemos, isso não foi provado pelo artigo, mas basta o órgão para confirmar logo que palavras de sentido estreito são mais úteis no julgamento seguinte.

Recrie a mesma impressão com outros materiais

A ideia de metâmero é um grande consolo para quem começa. Mesmo quando não há como obter uma matéria-prima ou ela esbarra em uma regulamentação, a mesma impressão pode ser reconstruída com outros materiais. Para que dois aromas pareçam semelhantes, não é preciso que tenham as mesmas moléculas.

Muitas fórmulas vendidas pela GrassAccord também usam perfumes famosos como material de estudo. Mas ser parecido e ser igual são coisas diferentes. Este estudo também tratou apenas da impressão de um instante. Para ver como um aroma muda com o tempo, é preciso acompanhá-lo na fita olfativa.

Confie no seu nariz, mas não de uma vez só

Até o julgamento médio das pessoas, medido de novo, chega a 0,74. Se dois aromas parecidos ontem parecem diferentes hoje, talvez não haja nada de errado com o seu nariz. O julgamento oscila por natureza. Nas decisões importantes, cheire de novo no dia seguinte e compare com a primeira anotação. Quem protege o seu julgamento é o hábito, não o número.

Vários narizes valem mais que um

O melhor resultado do artigo veio da média de equipes diferentes, e não de uma única equipe brilhante. Com a avaliação olfativa acontece algo parecido. Quando não conseguir decidir sozinho, peça a outra pessoa que cheire. Um simples «parece sabonete», dito por quem não entende de perfumaria, pode virar uma pista valiosa.

A inteligência artificial apenas reduz as opções

O futuro que este estudo sugere não é um mundo sem perfumistas, mas um mundo em que o cálculo reduz as opções e o nariz humano decide. O modelo ainda não julgou o que é bom ou ruim, e foi fraco na faixa mais difícil, a do «quase igual, mas diferente». Esse trecho final continuará, por um bom tempo, a cargo do nariz humano.

Três exercícios para fazer já no órgão

Seria uma pena ler o artigo e parar por aí. Vamos levar para o órgão, em escala menor, o que a equipe fez. As proporções ficam por sua conta, de acordo com suas matérias-primas e seu gosto.

Exercício 1. Crie seu vocabulário de aromas

Escolha dez matérias-primas que usa com frequência e coloque cada uma em uma fita olfativa. Para cada uma, escreva só três palavras. Deixe de fora palavras de avaliação, como «gostoso», e use apenas palavras que apontem para o cheiro, como fruta, grama, madeira ou sabonete. Uma semana depois, cubra os nomes, escreva de novo e compare. As palavras que permaneceram são o verdadeiro rosto daquela matéria-prima.

Exercício 2. Teste triangular em casa

Prepare duas versões parecidas de um aroma. Das três fitas olfativas, coloque a mesma versão em duas e a outra versão na terceira, marcando por baixo. Peça a alguém que embaralhe a ordem e tente apontar a diferente. Se acertar sempre depois de várias rodadas, são dois aromas distinguíveis. Se os acertos ficarem no nível do acaso (uma em cada três vezes), para o seu nariz de hoje eles são quase iguais.

Exercício 3. Meça a distância do seu nariz

Escreva a distância entre dois aromas em um número de 0 a 1. O 0 significa que não dá para distinguir; o 1, que são totalmente diferentes. Anote uns cinco pares e, no dia seguinte, dê novas notas na mesma ordem. Observando o quanto os números oscilam, você descobre a largura do seu julgamento. Não tem problema se oscilarem. Conhecer essa largura é o objetivo do exercício.

Cuidados ao ler este artigo

• Não é um estudo sobre perfumes. Trata de misturas de moléculas feitas para pesquisa. Isso não significa que se aplique diretamente às fórmulas de perfume.
• A prova não teve muitas questões. A primeira prova teve 46 pares. Por isso não foi possível separar a ordem das melhores equipes, e os pesquisadores pedem cuidado ao ler os resultados dos grupos menores.
• É forte na faixa do meio. Os dados de treinamento se concentram nas distâncias de 0,5 a 0,8, o que enfraquece o modelo em pares muito parecidos ou muito diferentes.
• Os métodos de medição estão misturados. O teste triangular e as notas de semelhança foram levados para uma única escala, então pode haver distorções ligadas ao método.
• A intensidade não foi bem tratada. A maioria dos dados usou componentes de intensidade ajustada. Em aromas reais, a intensidade é uma variável importante.
• Não se sabe se funciona com moléculas novas. A gama de moléculas usadas nas provas é estreita.
• Há opiniões contrárias sobre a interpretação. O artigo informa que alguns pesquisadores discordam da ideia de que o cheiro de uma mistura é definido, em grande parte, pela sobreposição das palavras.
• Vínculos de consultoria com empresas foram declarados. O artigo informa que alguns autores prestam consultoria a empresas ligadas ao olfato.

Palavras que aparecem neste texto

• Molécula isolada — substância aromática formada por um único tipo de molécula.
• Mistura — combinação de várias moléculas. Neste estudo, cerca de 10 componentes.
• Distância — valor de 0 a 1 que indica o quanto dois cheiros parecem diferentes. O 0 significa impossível de distinguir; o 1, o máximo de diferença.
• Teste triangular — método que mede a capacidade de distinguir, pedindo que se escolha o item diferente entre três.
• Coeficiente de correlação — número que mostra o quanto dois valores se movem juntos. Quanto mais perto de 1, mais se movem juntos.
• Erro médio (RMSE) — o quanto a previsão se afasta, em média, do valor real. Quanto menor, melhor.
• Modelo conjunto (ensemble) — modelo único criado com a média das previsões de vários modelos.
• Informação das palavras (características semânticas) — valores previstos pelo computador sobre quais palavras de cheiro seriam usadas para uma molécula.
• Mapa Principal de Odores (POM) — modelo de um estudo anterior que prevê palavras de cheiro a partir da estrutura molecular. Muitas equipes desta competição o usaram como ingrediente.
• Metâmeros — pares de misturas que parecem semelhantes sem ter componentes em comum.
• Acorde — uma unidade olfativa em que várias matérias-primas são misturadas para soar como uma única impressão.
• Fórmula — o projeto que registra quais matérias-primas misturar e em que proporção para criar um aroma. É o que a GrassAccord vende.

Para terminar

O nariz ainda não tem uma regra como a do vermelho, verde e azul. Mas a primeira pista encontrada em conjunto por 26 equipes estava, por surpresa, no lado da linguagem humana. Algumas palavras que nomeiam cheiros explicaram a distância entre dois aromas melhor do que longas descrições de moléculas.

E medir essa distância até o fim ainda cabe ao nariz humano. O nariz oscila, e os modelos pendem para o meio. Como nenhum dos dois é perfeito, cheirar com calma diante da fita olfativa, descrever em palavras e cheirar de novo no dia seguinte continua sendo o método mais confiável.

Para quem acabou de começar na perfumaria, é uma boa notícia. Sem equipamentos caros, com fitas olfativas e um caderno, já dá para entrar no caminho apontado por este estudo. O aroma é uma língua universal. A GrassAccord quer estar com você enquanto reúne, uma a uma, as palavras dessa língua.

Fonte do artigo: 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 em 4 de agosto de 2026. Original: https://doi.org/10.1073/pnas.2611057123 · Todos os números deste texto foram retirados do corpo do artigo, e a redação é um resumo e comentário da GrassAccord. A seção «Comentário» não traz conclusões do artigo, e sim a interpretação da GrassAccord.