Doftblandningar: nyckeln visade sig vara orden — GrassAccord går igenom artikeln ”Att förutsäga avståndet mellan doftblandningar”

Låt säga att två doftblandningar ligger på varsin doftremsa precis under näsan. Den ena består av 10 molekyler. Den andra också av 10, men inte en enda av dem är densamma. Ändå uppfattar människans näsa dofterna som ganska lika.

Varför händer det? Och går det att veta resultatet innan något har blandats? En artikel som publicerades i augusti i tidskriften PNAS, som ges ut av USA:s nationella vetenskapsakademi, dokumenterar hur 26 forskarlag från hela världen tillsammans tog sig an den gamla frågan.

Resultatet var oväntat. Den bästa nyckeln till en blandnings doft var inte att direkt läsa av molekylernas form. Förutsägelserna blev mest exakta när de gick via orden vi använder för dofter, som ”fruktig” och ”gräsig”.

Den som har börjat komponera dofter känner säkert igen de här funderingarna:

• Blir man verkligen bättre av att beskriva dofter med ord?
• I går kändes två dofter lika, i dag känns de olika. Är det fel på min näsa?
• Kommer AI snart att komponera ackorden åt oss?

Artikeln ger ledtrådar till alla tre frågorna. I den första delen går vi igenom vad forskarna gjorde och vad de kom fram till, och i den andra delen lägger vi till vår egen kommentar om hur den som lär sig parfymeri kan använda resultaten vid arbetsbordet. Ovanliga ord förklaras längst ned, så det är bara att läsa i lugn och ro.

Först: vad är det för artikel?

• Titel: A semantic-based community model for high-fidelity tuning of olfactory mixture distances (en gemensam modell som utifrån ordens betydelse finjusterar avstånden mellan doftblandningar)
• Författare: en stor internationell forskargrupp med Vahid Satarifard och Pablo Meyer i centrum. Institutioner från flera länder deltog, bland annat Yale University, Rockefeller University, Monell Chemical Senses Center, Weizmann-institutet och IBM Research. Även de välkända luktforskarna Leslie B. Vosshall, Noam Sobel och Joel D. Mainland är medförfattare.
• Publicerad: PNAS volym 123, nummer 32, den 4 augusti 2026. Artikeln har granskats av den vetenskapliga tidskriften.
• Läs originalet: doi.org/10.1073/pnas.2611057123 – vem som helst kan läsa den gratis (på engelska).
• Bra att veta: studien handlar inte om parfymer utan om molekylblandningar för forskning. Författarna nämner parfymdesign bara som ett av flera framtida användningsområden.

Varför valde vi just den här artikeln?

I den första artikelgenomgången såg vi omkring 170 000 parfymer uppifrån, i form av siffror. Det var en karta över marknad och kultur. Den här gången går vi åt rakt motsatt håll och tittar in i näsan på den som sitter framför två doftremsor.

Parfymeri handlar i grunden om att blanda. Men de regler som finns för ögon och öron finns ännu inte för näsan. Färger på en skärm skapas av rött, grönt och blått, och ljud kan beskrivas med frekvenser. Forskarna skriver att luktsinnet ännu saknar en motsvarande ram. Därför har parfymörer länge fått förlita sig på erfarenhet och näsa.

Den här artikeln lägger för första gången en ganska stabil bro över det tomrummet. Bron är inte färdig. Men artikeln visar ärligt hur långt man har kommit och var det tar stopp, och det gör den till ett bra studiematerial för den som lär sig parfymeri.

Att kartlägga näsan: så började det

Innan vi går in på innehållet ska vi se varför tävlingen ordnades över huvud taget.

Doften av en enda molekyl går ganska bra att förutsäga

Att gissa doften enbart utifrån en molekyls struktur var länge ett ökänt svårt problem. Men de senaste tio åren har läget ändrats. Den första DREAM-tävlingen om luktsinnet visade att en dator kan förutsäga doftuttryck som vitlök, sötma och blommigt utifrån molekylstrukturen.

År 2023 kom en modell som heter principal doftkarta (POM). Det är en karta som placerar ut molekylstrukturer i doftens rum. Enligt artikeln gav modellen bättre resultat än en medelmedlem i testpanelen när det gällde att förutsäga doftuttryck. Många lag i den här tävlingen använde just den kartan som råmaterial.

Men de flesta dofter i världen är blandningar

Sedan kommer problemet. Det vi känner i vardagen, som kaffe, blommor och parfym, är oftast blandningar av tiotals eller hundratals molekyler. Även om man kan förutsäga en enda molekyl har det liten praktisk nytta om man inte kan förutsäga vad som händer när den blandas.

Den som har provat att komponera känner till svårigheten. Två fina råvaror kan tillsammans ge en doft som är helt annorlunda än väntat, och en tillsatt råvara kan kännas som om den har försvunnit. Det behövdes en öppen måttstock för att förutsäga blandningar, och därför ordnades en tävling där flera lag löste samma problem.

Tävlingen med 26 lag: hur gick den till?

Spridda experiment samlades på ett ställe

Forskarna slog först ihop sex datamängder från tre studier som tidigare gjorts var för sig. Sammanlagt såg omfattningen ut så här:

• 168 enskilda molekyler
• 731 olika blandningar
• 507 mätningar där två blandningar jämfördes

Eftersom experimenten var upplagda på olika sätt fördes alla resultat över till en gemensam skala. 0 betyder att två dofter inte går att skilja åt, och 1 att de inte kan vara mer olika. Forskarna kallar talet för doftavstånd. Det mäts på samma sätt som man mäter sträckan mellan två städer på en karta, fast mellan två dofter.

Tävlingen pågick i tre månader

Tävlingen kallas DREAM Challenge. Flera lag tävlar där öppet om vem som förutsäger bäst vid samma uppgift. Under omkring tre månader finslipade 26 lag sina AI-modeller, och till sist ställdes de inför ett slutprov med 46 par blandningar vars rätta svar var dolda.

Övningsuppgifter kunde lämnas in upp till tre gånger i veckan med poäng som återkoppling. Under tävlingen lämnades 159 övningsförutsägelser in, och 19 lag lämnade in till slutprovet.

Avgörandet blev inte tydligt. Fyra lag delade förstaplatsen: D2Smell, UMich CASI, ChemSenSim Lab och belfaction. Forskarna tror att det var svårt att skilja dem åt med bara 46 par. I stället för att välja ett enda lag tog de därför medelvärdet av de sex bästa modellernas förutsägelser och skapade en gemensam modell. Det är den gemensamma modellen som är artikelns huvudperson.

Människans näsa kontrollerade två gånger

Det var människans näsa som rättade AI:ns svar. Proven var två.

• Första provet (New York, Rockefeller University) – 34 personer deltog. 92 blandningar bildade 46 par, och varje blandning bestod av 10 ingredienser utan överlappning. Man använde triangeltest, där den med annorlunda doft ska väljas ut bland tre flaskor.
• Andra provet (Philadelphia, Monell Chemical Senses Center) – efter tävlingen deltog 16 personer. Av 59 nydesignade blandningar skapades 50 par, med 9–11 ingredienser per blandning. Deltagarna gav själva poäng för hur lika två dofter var.

Det andra provet hade en intressant säkerhetsspärr. Deltagarna fick jämföra en molekyl med doft av vitlök med en molekyl med doft av ananas, och en molekyl med doft av jordgubbe med sig själv. Det första paret bedömdes som långt ifrån varandra, det andra som mycket nära. Det visar att skalan fungerade som den skulle.

Två tal att lära sig i förväg

Två tal återkommer hela tiden i artikeln. De kan kännas svåra, så vi börjar med en enkel förklaring.

Korrelationskoefficienten visar hur väl förutsägelsen och verkligheten rör sig åt samma håll. 1 betyder att de följs åt perfekt, 0 att de inte har något samband. Värdet 0,61 betyder inte att 61 % var rätt. Det räcker att tänka så här: de par som människor kände som mer avlägsna pekade också modellen i regel ut som mer avlägsna.

Medelfelet (RMSE i artikeln) visar hur mycket förutsägelsen i genomsnitt avviker från det verkliga avståndet. Ju mindre, desto bättre. 0,08 betyder ungefär en sådan miss på skalan 0 till 1.

Korrelationskoefficienten svarar alltså på ”stämmer ordningen?” och medelfelet på ”hur nära ligger värdet?”.

Hur träffsäker var den gemensamma modellen?

Den gick klart om tidigare metoder

I det första provet nådde den gemensamma modellen ett medelfel på 0,08 och en korrelationskoefficient på 0,57. Jämfört med typiska tidigare metoder minskade felet med omkring 33 % och korrelationskoefficienten ökade med 53 %. Den var också bättre än modellen från något enskilt lag i tävlingen.

En sak är värd att lägga märke till. Efter tävlingen byggde forskarna en ny modell med bara de egenskaper som verkade viktigast. Den kom ändå inte i kapp den gemensamma modellen, utan stannade på samma nivå som de bästa enskilda lagen. Forskarna tolkar det så här: det räcker inte att välja bra ingredienser, utan nivån nås först när olika metoder förenas.

Den höll även för nya uppgifter

En modell som bara klarar tävlingens uppgifter är till liten nytta. Därför testades den igen efter tävlingen med 50 nydesignade par. Den gemensamma modellens medelfel ökade till 0,13, men prestandan var fortfarande god. Det väger tungt, med tanke på att både provplats, deltagare och provmetod var andra.

Resultaten varierade med typen av uppgift

Slutprovets 46 par var indelade i tre grupper: 16 slumpmässigt skapade par, 20 par som människor hade designat för att kännas lika och 10 par som justerats med en befintlig metod för avståndsberäkning. Lagen visste inte vilket par som hörde till vilken grupp.

Den gemensamma modellens medelfel var litet i de två designade grupperna, 0,07 och 0,06, och 0,10 i den slumpmässiga. Korrelationskoefficienten gick åt andra hållet: den slumpmässiga gruppen låg något högre med 0,45 och de andra två på 0,38. Forskarna tillägger att paren var få och att siffrorna från små grupper bör läsas med försiktighet.

Orden slog molekylstrukturen

Det här är troligen det resultat ur artikeln som kommer att citeras mest.

Med bara orden blev det bättre

Forskarna gjorde ett experiment där de plockade bort modellens ingredienser en i taget. De tog bort molekylernas kemiska egenskaper, informationen om receptorer i kroppen och informationen om blandningarna, och behöll bara det som motsvarar orden vi använder för dofter.

Resultatet var häpnadsväckande. Den gemensamma modellen med bara doftord nådde i det första provet korrelationskoefficienten 0,61 och medelfelet 0,075, och var därmed till och med bättre än den gemensamma modellen med alla ingredienser. I det andra provet låg korrelationskoefficienten på 0,54, vilket var 15 % högre.

Modellen utan ord blev däremot klart sämre. I det första provet sjönk korrelationskoefficienten till 0,41, och i det andra närmade sig resultatet slumpmässiga gissningar.

Vad betyder ”ord” här?

Den här punkten är lätt att missförstå, så vi förklarar noga. Det handlar inte om doftanteckningar som människor har skrivit efter att ha luktat på blandningen. Datorn tittar först på molekylens struktur och förutsäger hur människor skulle kalla den. Den sätter sannolikheter på 138 ord, som fruktig och gräsig. Två blandningar jämförs sedan utifrån kombinationen av de här orden.

Vägen från molekyl till doftavstånd går alltså inte direkt, utan via orden som en mellanstation. Det häpnadsväckande är att orden, som hade lärts in från rena enskilda molekyler och inte från blandningar, ändå förklarade avstånden mellan blandningar väl.

Forskarna går ett steg längre. Blandningars doft kanske inte skapas enligt helt andra principer än enskilda molekylers doft, menar de. Det svåra kan ligga mindre i ”blandningssteget” och mer i ”steget från molekyl till doft”. Artikeln nämner dock också att det finns forskare som inte delar den uppfattningen.

Vilka ord hade störst kraft?

Ett av lagen delade in de 138 orden i 12 grupper. I det lagets modell hade grupperna frukt, gräs och örter samt nötter, olja och rostat störst inverkan.

Även enskilda ord presterade olika. I samma lags analys var grönt, rent och konjak kopplade till mindre fel, medan viol, aromatiskt och naturligt var kopplade till större fel. Forskarna påpekar att resultatet inte går att tolka rakt av. Det är ändå intressant att ett så vitt begrepp som naturligt finns med. Det är vår egen känsla och inte artikelns slutsats.

Det behövdes inte många ingredienser

Forskarna staplade varje modells mest inflytelserika egenskaper i tur och ordning. Tre av de träffsäkra modellerna nådde hälften av den totala inverkan med mindre än 100 egenskaper. En annan modell behövde omkring 1 000, så skillnaden är stor. Det betyder att det inte nödvändigtvis krävs många komplicerade ingredienser för att förklara doftavstånd.

Även människans näsa vacklar

Människans resultat är taket

Det här är artikelns ärligaste avsnitt. Forskarna mätte också hur väl samma personer gav samma svar när de bedömde på nytt. I det andra provet bedömde deltagarna två gånger med minst en dags mellanrum, och korrelationskoefficienten mellan resultaten blev 0,74. I det första provet gav en jämförelse mellan två halvor 0,69.

Det är egentligen inte konstigt. Inte ens genomsnittliga mänskliga bedömningar upprepas perfekt. Det är därför svårt för en modell att pricka människans omdöme bättre än människor själva. Modellen med bara doftord nådde 0,61 och 0,54 och är alltså ännu inte uppe vid det taket. Forskarna medger också att det fortfarande finns ett glapp mellan modell och människa.

Fel vid mycket lika eller mycket olika par

Modellen var mest exakt i intervallet 0,5–0,8 i avstånd, eftersom träningsdata samlades där. Slumpmässigt blandade blandningar hamnar enligt artikeln oftast i det intervallet.

Under 0,5 och över 0,8 blev felen större. Modellerna visade en tendens att dra förutsägelserna mot mitten. Mycket lika par uppskattades som lite mer avlägsna än i verkligheten, och mycket olika par som lite närmare.

Det är viktigt för en parfymör. Det svåraste beslutet i praktiken är att skilja mellan två versioner som är ”nästan identiska men ändå olika på något sätt”. Det är just där dagens modeller är som svagast.

Den nya modellen vann inte alltid

När det andra provet delades in i fem intervall efter avstånd hade den tidigare principala doftkartan minst fel i det allra likaste intervallet. I de övriga fyra låg den gemensamma modellen och modellen med bara doftord före. Det visar att ett bra totalt medelvärde inte betyder att allt är bra i varje intervall.

Vad skiljer dem från riktiga parfymer?

Studien går inte att föra över direkt till parfymer. Mellan laboratoriets blandningar och riktiga parfymer finns stora skillnader.

• Blandningar med utjämnad styrka – i de flesta data hade ingrediensernas styrka justerats i förväg. I en verklig doft döljer starka ingredienser svaga, och doftens karaktär skiftar med koncentrationen. Forskarna skriver att hanteringen av styrka är en framtida uppgift.
• Antal ingredienser – testblandningarna hade omkring 10 ingredienser. Forskarna förklarar att dofter i vardagen oftast är blandningar av tiotals eller hundratals molekyler.
• Begränsade råvaror – urvalet av molekyler är snävt. Det är ännu okänt om metoden fungerar för molekyler som modellen inte har sett.
• Ett ögonblicks bedömning – studien frågade hur lika två dofter är. Den frågade inte hur doften förändras över tid eller om människor tycker om den.

Den sista punkten är särskilt värd att minnas. Avståndet säger bara hur olika två dofter är, inte vilken som är bäst.

En sak är glädjande. Forskarna har gjort data, modeller och kod helt öppna. Det betyder att vem som helst kan pröva bättre metoder på samma problem. Det innebär dock inte att det finns ett verktyg där en parfymör kan mata in två ackord och genast få ett avstånd. Än så länge är det närmast en måttstock för forskare.

Metamerer: olika ingredienser, samma doft

En av datamängderna i artikeln kommer från en studie som ville skapa luktmetamerer. Metamerer är par av blandningar utan gemensamma ingredienser som ändå känns lika. Det påminner om färgfenomenet där ljus med olika sammansättning ser ut som samma färg.

Forskarna tror att resultaten gör det möjligt att effektivt skapa virtuella metamerer i datorn och testa dem i experiment. Först väljs kandidater ut genom beräkningar, sedan kontrolleras de av människor.

Författarna nämner en bred rad användningsområden: digitalt luktsinne som lagrar och överför dofter som data, teknik som följer hälsan till exempel via utandningsluften, elektroniska näsor och generativ doftdesign. Det är dock framtida möjligheter, och artikeln har inte visat upp någon designad parfym.

Kommentar: vad artikeln säger den som lär sig parfymeri

Härifrån är det inte artikelns slutsatser utan GrassAccords tolkning.

Att beskriva dofter är design, inte tyckande

När man på en parfymkurs ska skriva råvaruanteckningar känns det besvärligt för många. Man kan ju lukta med näsan, så varför skriva? Artikeln ger anledning att se på vanan med nya ögon. Några få doftord förklarade avståndet mellan blandningar bättre än en mängd molekyldata.

Datorns ord och människors anteckningar är förstås inte samma sak. Men riktningen är densamma. När en doft delas upp i ord går den att jämföra. En anteckning som slutar med ”fin” går inte att använda vid nästa blandning, men ”stark gräston och vått trä kvar på slutet” går det.

Enskilda råvaror kommer först

Orden hade lärts in från enskilda molekyler och förklarade ändå blandningar. Samma ordning gäller när man lär sig parfymeri. Den som tydligt känner intrycket av en råvara kan läsa av vad som har hänt i blandningen. Tiden det tar att lukta på en råvara många gånger ger större utdelning på sikt än att göra många ackord.

Här lönar det sig att låna en metod från laboratoriet. Precis som forskarna jämnade ut ingrediensernas styrka bör spädningskoncentrationen vara densamma när råvaror jämförs. Är den ena starkare jämförs styrkan och inte råvarans karaktär. Bedömningar av outspädda råvaror ändras ofta efter spädning.

Ord med snäv betydelse fungerar bäst

Ordet naturlig är bekvämt, men rymmer mycket. Det lönar sig att gå ett steg längre och fråga vad som känns naturligt: nyklippt gräs, våt jord eller skalad frukt? Som sagt har artikeln inte bevisat det, men vid arbetsbordet märker man snabbt att ett ord med snäv betydelse är mer användbart i nästa beslut.

Samma intryck går att bygga med andra råvaror

Begreppet metamer är en stor tröst även för nybörjare. Även om en råvara inte går att få tag på eller omfattas av regler, kan samma intryck byggas upp igen med andra råvaror. Det krävs inte nödvändigtvis samma molekyler för att något ska kännas likt.

Många av de formler GrassAccord säljer använder kända parfymer som studiematerial. Men lik är inte detsamma som identisk. Även den här studien handlar om ett ögonblicks intryck. Hur doften förändras över tid måste följas på doftremsan.

Näsan går att lita på, men inte bara en gång

Även genomsnittliga mänskliga bedömningar ger 0,74 vid omprov. Att två dofter som var lika i går känns olika i dag behöver inte betyda att det är fel på näsan. Bedömningar vacklar helt enkelt. Viktiga beslut förtjänar att luktas på igen dagen efter och jämföras med den första anteckningen. Det är vanor, inte siffror, som skyddar omdömet.

Flera näsor är bättre än en

Bäst i artikeln var inte ett enda framstående lag utan medelvärdet av olika lag. Luktning fungerar på liknande sätt. När det är svårt att bestämma sig själv är det värt att be någon annan lukta. En kommentar som ”det luktar tvål” från någon som inte kan parfymeri kan bli en värdefull ledtråd.

AI gallrar bara kandidaterna

Framtiden som studien pekar mot är inte så mycket en värld utan parfymörer som en värld där beräkningar gallrar kandidaterna och människan bestämmer med näsan. Modellen bedömer ännu inte vad som är bra eller dåligt och var svag i det svåraste intervallet, ”nästan identiska men ändå olika”. Den sista sträckan tillhör människans näsa ett bra tag till.

Tre övningar att prova direkt vid arbetsbordet

Det vore synd att stanna vid läsningen. Vi skalar ned forskarnas arbete och flyttar det till arbetsbordet. Proportionerna bestäms utifrån egna råvaror och egen smak.

Övning 1. En egen doftordlista

Man väljer tio råvaror som används ofta och doppar en doftremsa i var och en. För varje råvara skrivs bara tre ord. Omdömen som ”fin” utesluts, och bara ord som pekar ut doften används, som frukt, gräs, trä och tvål. En vecka senare skrivs orden på nytt med namnen dolda, och resultaten jämförs. Orden som står kvar är råvarans sanna ansikte.

Övning 2. Triangeltest hemma

Man förbereder två liknande versioner. Två av tre doftremsor doppas i samma version och en i den andra, och undersidan märks. Någon annan får blanda ordningen, och sedan ska den avvikande väljas ut. Blir det rätt gång på gång över flera omgångar går versionerna att skilja åt. Stannar antalet rätt vid gissningsnivå (en av tre) är de nästan identiska för näsan just nu.

Övning 3. Mät näsans avstånd

Avståndet mellan två dofter skrivs som ett tal mellan 0 och 1. 0 betyder att de inte går att skilja åt, 1 att de är helt olika. Omkring fem par bedöms, och dagen efter görs samma sak igen i samma ordning. Hur mycket talen svänger visar bredden på den egna bedömningen. Det gör inget om de svänger. Att känna till bredden är själva målet med övningen.

Att tänka på när man läser artikeln

• Det är ingen parfymstudie. Den handlar om molekylblandningar för forskning. Det betyder inte att resultaten kan användas rakt av i parfymformler.
• Provuppgifterna är inte många. Det första provet hade 46 par. Därför gick det inte att rangordna topplagen, och forskarna uppmanar till försiktighet med resultat från små grupper.
• Styrkan ligger i mittintervallet. Träningsdata samlas vid avstånd 0,5–0,8, så modellen är svag för mycket lika eller mycket olika par.
• Data bygger på olika mätmetoder. Triangeltest och poängbedömning fördes över till en gemensam skala, så snedvridningar beroende på metod kan finnas kvar.
• Styrka behandlas inte tillräckligt. De flesta ingredienser hade utjämnad styrka. I verkliga dofter är styrkan en stor variabel.
• Det är okänt om metoden fungerar för nya molekyler. Urvalet av molekyler i proven är snävt.
• Tolkningen har motståndare. Artikeln anger att vissa forskare inte delar uppfattningen att blandningars doft till stor del avgörs av hur orden överlappar.
• Konsultuppdrag åt företag redovisas. Artikeln anger att några av författarna är rådgivare åt företag inom luktområdet.

Ord som förekommer i texten

• Enskild molekyl – ett doftämne som består av ett enda slags molekyl.
• Blandning – flera molekyler som blandats. I den här studien omkring 10 ingredienser.
• Avstånd – ett värde från 0 till 1 som visar hur olika två dofter känns. 0 går inte att skilja åt, 1 är störst skillnad.
• Triangeltest – en metod som mäter förmågan att skilja åt genom att den avvikande av tre ska väljas ut.
• Korrelationskoefficient – ett tal som visar hur väl två värden rör sig tillsammans. Ju närmare 1, desto mer följs de åt.
• Medelfel (RMSE) – hur stor förutsägelsens avvikelse från verkligheten är i genomsnitt. Ju mindre, desto bättre.
• Gemensam modell (ensemble) – en modell som skapats genom att ta medelvärdet av flera modellers förutsägelser.
• Ordinformation (semantiska egenskaper) – värden som datorn förutsäger för vilka doftord en molekyl skulle kallas med.
• Principal doftkarta (POM) – modell från en tidigare studie som förutsäger doftord utifrån molekylstruktur. Många lag i tävlingen använde den som råmaterial.
• Metamerer – par av blandningar som känns lika trots att ingredienserna inte överlappar.
• Ackord – en doftenhet där flera råvaror har blandats så att de uppfattas som ett enda intryck.
• Formel – ritningen som anger vilka råvaror som ska blandas i vilka proportioner för att skapa en doft. Det är detta GrassAccord säljer.

Till sist

Näsan har ännu inga regler som rött, grönt och blått. Men den första ledtråden, som 26 lag tillsammans fann, låg oväntat nog på det mänskliga språkets sida. Några få ord för dofter förklarade avståndet mellan två dofter bättre än långa beskrivningar av molekyler.

Och det är fortfarande människans näsa som mäter det avståndet till sista millimetern. Näsan vacklar och modellerna dras mot mitten. Inget av dem är perfekt, och därför är det fortfarande mest pålitligt att lukta långsamt på doftremsan, skriva ned orden och lukta igen dagen efter.

För den som precis har börjat med parfymeri är det goda nyheter. Utan dyr utrustning, med bara doftremsor och ett anteckningsblock, går det att slå in på vägen som den här studien har pekat ut. Doft är ett universellt språk. GrassAccord vill finnas med på vägen när språkets ord samlas ett i taget.

Källa: Vahid Satarifard, Laura Sisson, Yikun Han m.fl. "A semantic-based community model for high-fidelity tuning of olfactory mixture distances." PNAS 123(32), e2611057123, publicerad den 4 augusti 2026. Original: https://doi.org/10.1073/pnas.2611057123 · Alla siffror i texten är hämtade ur artikeln, och texten är GrassAccords sammanfattning och kommentar. Avsnittet ”Kommentar” är inte artikelns slutsatser utan GrassAccords tolkning.