Koku karışımlarının sırrı kelimelerde — GrassAccord'un okuduğu makale «Koku Karışımlarının Mesafesini Öngörmek»

Burnunuzun önünde iki koku kâğıdı olduğunu düşünün. Birinde 10 molekülden oluşan bir koku karışımı var. Diğerinde de 10 molekül var, ama ikisi arasında ortak tek bir molekül bile yok. Yine de burnunuz bu iki kokuyu birbirine epey benzer buluyor.

Bu neden olur? Ve sonucu karıştırmadan önce bilmek mümkün mü? Geçen ağustosta Amerikan Ulusal Bilimler Akademisi Bildirileri'nde (PNAS) yayımlanan bir makale, dünyanın dört bir yanından 26 araştırma ekibinin bu eski soruya birlikte giriştiği çabanın kaydıdır.

Sonuç şaşırtıcıydı. Karışımların kokusunu tahmin etmenin en iyi yolu, moleküllerin şeklini doğrudan okumak değildi. "Meyvemsi", "çimensi" gibi kokuyu adlandıran kelimeler üzerinden gidildiğinde tahmin en isabetli hâline geliyordu.

Parfüm yapmaya yeni başladıysanız şu sorular size de tanıdık gelecektir.

• Kokuyu kelimelerle yazmak gerçekten becerimi geliştirir mi?
• Dün birbirine benzeyen iki koku bugün farklı geliyor; burnumda bir sorun mu var?
• Yapay zekâ yakında akorları benim yerime kurmaya başlar mı?

Bu makale üç soruya da ipucu veriyor. İlk bölümde araştırma ekibinin neler yaptığını ve neler bulduğunu anlatıyor, sonraki bölümlerde parfümcülük öğrenenlerin bu sonuçları çalışma masasında nasıl kullanabileceğine dair kendi yorumumuzu ekliyoruz. Yabancı gelen terimleri en altta ayrıca açıkladık, rahatça okuyabilirsiniz.

Önce şu: Bu nasıl bir makale?

• Başlık: A semantic-based community model for high-fidelity tuning of olfactory mixture distances (Kelimelerin anlamına dayanarak koku karışımları arasındaki mesafeyi hassasça ayarlayan ortak model)
• Yazarlar: Vahid Satarifard ve Pablo Meyer'in başını çektiği büyük bir ortak araştırma grubu. Yale Üniversitesi, Rockefeller Üniversitesi, Monell Kimyasal Duyular Merkezi, Weizmann Enstitüsü ve IBM Research gibi farklı ülkelerden kurumlar katıldı; koku araştırmalarıyla tanınan Leslie B. Vosshall, Noam Sobel ve Joel D. Mainland da ortak yazarlar arasında.
• Yayımlandığı yer: Amerikan Ulusal Bilimler Akademisi Bildirileri (PNAS), cilt 123, sayı 32, 4 Ağustos 2026'da yayımlandı. Hakem değerlendirmesinden geçmiş bir makaledir.
• Makalenin aslı: doi.org/10.1073/pnas.2611057123 — Herkes ücretsiz okuyabilir (İngilizce).
• Dikkat edilecek nokta: Araştırma parfümleri değil, araştırma amaçlı molekül karışımlarını ele alıyor. Yazarlar da parfüm tasarımından yalnızca gelecekteki uygulama alanlarından biri olarak söz ediyor.

Bu makaleyi neden seçtik?

İlk makale tanıtımımızda yaklaşık 170 bin parfüme rakamlarla yukarıdan bakmıştık. Bu, pazarın ve kültürün haritasıydı. Bu kez tam ters yöndeyiz: İki koku kâğıdının önünde oturan bir insanın burnunun içine bakıyoruz.

Parfümcülük sonuçta karıştırma işidir. Ama gözde ve kulakta olan kurallar burunda henüz yok. Ekrandaki renkleri kırmızı, yeşil ve maviden üretiriz; sesi frekanslara ayırarak açıklayabiliriz. Araştırma ekibi, koku duyusu için bunlarla kıyaslanacak bir çerçevenin henüz olmadığını söylüyor. Bu yüzden parfümörler uzun zamandır deneyime ve burunlarına güvendi.

Bu makale o boşluğun üzerine ilk kez epey sağlam bir köprü atıyor. Tamamlanmış bir köprü değil. Yine de nereye kadar gelindiğini ve nerede kesildiğini dürüstçe gösterdiği için parfümcülük öğrenenler için iyi bir çalışma malzemesi.

Burnun haritasını çıkarma girişimi

Asıl konuya girmeden önce bu yarışmanın neden düzenlendiğine bakalım.

Tek molekülün kokusu artık epey iyi tahmin ediliyor

Yalnızca molekül yapısına bakarak kokuyu bilmek uzun süre kötü şöhretli bir bilmeceydi. Ancak son on yılda gidişat değişti. İlk DREAM koku yarışması, bilgisayarın molekül yapısından sarımsak, tatlı, çiçeksi gibi koku ifadelerini tahmin edebildiğini gösterdi.

2023'te Temel Koku Haritası (POM) adlı bir model ortaya çıktı. Molekül yapılarını koku uzayına yerleştiren bir haritadır. Makaleye göre bu model, koku ifadelerini tahmin etmede değerlendirme panelindeki ortalama bir kişiden daha iyi sonuç verdi. Bu yarışmadaki birçok ekip de işte bu haritayı malzeme olarak kullandı.

Oysa dünyadaki kokuların çoğu karışımdır

Sorun bundan sonra başlıyor. Kahve, çiçek, parfüm gibi günlük hayatta kokladığımız şeyler genellikle onlarca, yüzlerce molekülün karışımıdır. Tek bir molekülü bilseniz bile karışımı bilemiyorsanız bunu gerçek dünyada kullanmak zordur.

Parfüm yapmayı denediyseniz bu zorluğu iyi bilirsiniz. İki güzel hammaddeyi karıştırırsınız, beklediğinizden bambaşka bir koku çıkar; ya da eklediğiniz hammadde kaybolmuş gibi gelir. Karışımları tahmin etmek için herkese açık bir ölçüt gerekiyordu; bu yüzden birçok ekibin aynı problem üzerinde yarıştığı bir yarışma düzenlendi.

26 ekibin yarışması nasıl ilerledi?

Dağınık deneyler tek çatı altında toplandı

Araştırma ekibi önce o güne kadar ayrı ayrı yürütülmüş üç çalışmanın altı veri kümesini birleştirdi. Birleştirilince ortaya şu ölçek çıktı.

• 168 tekil molekül
• 731 farklı karışım
• İki karışımı karşılaştıran 507 ölçüm

Deney yöntemleri birbirinden farklı olduğu için tüm sonuçlar tek bir ölçeğe taşındı. 0, iki kokunun ayırt edilemediği, 1 ise olabilecek en farklı olduğu anlamına geliyor. Ekip bu sayıya koku mesafesi diyor. Haritada iki şehir arasını ölçer gibi iki koku arasını ölçüyorlar.

Üç ay boyunca yarıştılar

Bu yarışmanın adı DREAM Challenge. Birçok ekip aynı problem üzerinde tahmin becerisini herkesin önünde yarıştırıyor. 26 ekip yaklaşık üç ay boyunca yapay zekâ modellerini geliştirdi ve doğru cevapların gizli tutulduğu 46 karışım çiftiyle son sınava girdi.

Alıştırma sorularına haftada en fazla üç kez cevap gönderilip puan görülebiliyordu. Yarışma boyunca 159 alıştırma tahmini gönderildi, son sınava kadar gelen ekip sayısı ise 19 oldu.

Sonuç net çıkmadı. D2Smell, UMich CASI, ChemSenSim Lab ve belfaction adlı dört ekip birinciliği paylaştı. Araştırma ekibi, sınavda yalnızca 46 çift olduğu için farkı ayırt etmenin zor olabileceğini düşünüyor. Bu yüzden tek bir ekip seçmek yerine en iyi altı modelin tahminlerinin ortalamasını alan bir topluluk modeli kurdular. Bu makalenin başrolü işte bu topluluk modelidir.

İnsan burnuyla iki kez doğrulandı

Yapay zekânın cevaplarını notlandıran, insan burnuydu. İki sınav yapıldı.

• Birinci sınav (New York, Rockefeller Üniversitesi) — 34 kişi katıldı. 92 karışım 46 çift oluşturdu; her karışım birbiriyle örtüşmeyen 10 bileşenden yapıldı. Üç şişeden kokusu farklı olanı seçtiren üçgen testi kullanıldı.
• İkinci sınav (Philadelphia, Monell Kimyasal Duyular Merkezi) — Yarışma bittikten sonra 16 kişi katıldı. Yeni tasarlanan 59 karışımdan 50 çift yapıldı; her karışımda 9–11 bileşen vardı. Katılımcılar iki kokunun ne kadar benzediğine doğrudan puan verdi.

İkinci sınavda ilginç bir güvenlik önlemi vardı. Sarımsak kokulu bir molekül ile ananas kokulu bir molekül karşılaştırıldı, çilek kokulu bir molekül de kendisiyle karşılaştırıldı. Katılımcılar ilk çifti uzak, ikinci çifti çok yakın buldu. Bu, ölçeğin doğru çalıştığının kanıtıdır.

Önceden öğrenmeniz gereken iki sayı

Bu makalede iki sayı sürekli karşınıza çıkar. Zor gelebilir, o yüzden kısaca fikir edinelim.

Korelasyon katsayısı, tahminle gerçeğin ne kadar aynı yönde hareket ettiğini gösterir. 1 ise tam olarak birlikte hareket ederler, 0 ise aralarında hiçbir ilişki yoktur. 0,61, "%61 doğru bildi" demek değildir. İnsanların daha uzak bulduğu çiftleri modelin de genellikle daha uzak bulduğu şeklinde anlamanız yeterli.

Ortalama hata (makaledeki RMSE), tahminin gerçek mesafeden ortalama ne kadar saptığını gösterir. Ne kadar küçükse o kadar iyidir. 0,08 ise 0–1 ölçeğinde yaklaşık o kadar yanıldığı anlamına gelir.

Yani korelasyon katsayısını "sırayı doğru biliyor mu", ortalama hatayı "değere ne kadar yakın" diye aklınızda tutabilirsiniz.

Topluluk modeli ne kadar iyi tahmin etti?

Mevcut yöntemleri açık ara geride bıraktı

Birinci sınavda topluluk modeli 0,08 ortalama hata ve 0,57 korelasyon katsayısı elde etti. Mevcut başlıca yöntemlerle karşılaştırıldığında hata yaklaşık %33 azaldı, korelasyon katsayısı %53 arttı. Yarışmadaki her bir ekibin modelinden de daha iyiydi.

Burada dikkat çeken bir nokta var. Araştırma ekibi yarışmadan sonra yalnızca en önemli görünen özellikleri seçerek yeni bir model kurdu. Ancak bu model topluluk modeline yetişemedi, en iyi tekil ekipler düzeyinde kaldı. Ekibin yorumu şöyle: İyi malzeme seçmek yetmiyor, o düzeye ancak farklı yaklaşımlar bir araya gelince ulaşılıyor.

İlk kez gördüğü sorularda da dayandı

Yalnızca yarışma sorularını iyi çözen bir modelin pek faydası yoktur. Bu yüzden yarışmadan sonra yeni tasarlanan 50 çiftle yeniden sınandı. Topluluk modelinin ortalama hatası 0,13'e yükseldi ama iyi performansını korudu. Sınav yeri, katılımcılar ve sınav yöntemi farklı olduğu düşünülünce bu anlamlı bir sonuçtur.

Soru türüne göre sonuçlar değişti

Son sınavdaki 46 çift üç gruba ayrılmıştı: Rastgele oluşturulmuş 16 çift, benzer algılansın diye insanların tasarladığı 20 çift ve mevcut mesafe hesaplama yöntemiyle benzer hâle getirilmiş 10 çift. Katılan ekipler hangi çiftin hangi gruba ait olduğunu bilmiyordu.

Topluluk modelinin ortalama hatası tasarlanan iki grupta 0,07 ve 0,06 ile küçük, rastgele grupta ise 0,10'du. Korelasyon katsayısında tersine rastgele grup 0,45 ile biraz daha yüksek, diğer iki grup ise 0,38'di. Araştırma ekibi, çift sayısı az olduğu için küçük grupların rakamlarının dikkatle okunması gerektiğini de ekledi.

Kelimeler molekül yapısını yendi

Bu makaleden en çok alıntılanacak sonuç muhtemelen bu olacak.

Yalnızca kelimeler kalınca sonuç daha da iyileşti

Araştırma ekibi modelden malzemeleri birer birer çıkardığı bir deney yaptı. Moleküllerin kimyasal özelliklerini, vücuttaki reseptör bilgisini ve karışım bilgisini tamamen çıkarıp yalnızca kokuyu adlandıran kelimelere karşılık gelen bilgiyi bıraktılar.

Sonuç şaşırtıcıydı. Yalnızca kelimelerin kaldığı topluluk modeli birinci sınavda 0,61 korelasyon katsayısı ve 0,075 ortalama hatayla tüm malzemeleri kullanan topluluk modelinden bile iyiydi. İkinci sınavda da 0,54 korelasyon katsayısıyla %15 daha yüksekti.

Tersine, kelimeleri çıkarılan model çok kötüleşti. Birinci sınavda korelasyon katsayısı 0,41'e düştü, ikinci sınavda ise neredeyse rastgele tahmin düzeyine yaklaştı.

Burada kelime ne demek?

Yanlış anlaşılmaya açık bir nokta olduğu için netleştirelim. İnsanların karışımları koklayıp yazdığı koku notları modele girilmedi. Bilgisayar molekülün yapısına bakıp önce "insanlar bu moleküle ne der?" sorusunu tahmin ediyor. Meyvemsi, çimensi gibi 138 kelimeye olasılık veriyor. Elde edilen bu kelime birleşimiyle iki karışımı karşılaştırıyor.

Yani molekülden doğrudan koku mesafesine gidilmiyor; kelimeler adlı bir ara durak üzerinden geçiliyor. Şaşırtıcı olan, bu kelimelerin karışımlardan değil saf tekil moleküllerden öğrenilmiş olmasına rağmen karışımlar arasındaki mesafeyi iyi açıklamasıdır.

Araştırma ekibi burada bir adım daha ileri gidiyor. Karışımların kokusu, tekil moleküllerin kokusundan temelde farklı bir ilkeyle oluşmuyor olabilir. Zor olan kısmın "karıştırma aşaması"ndan çok "molekülden kokuya geçiş aşaması"nda olabileceğini düşünüyorlar. Ancak makale, bu görüşe karşı çıkan araştırmacılar olduğunu da belirtiyor.

En güçlü koku kelimeleri hangileriydi?

Bir ekip 138 kelimeyi 12 grupta topladı. O ekibin modelinde etkisi en büyük gruplar meyvemsi, çimensi ve bitkisel, yağlı, kuruyemişli ve kavrulmuş kokulardı.

Kelimelerin başarısı da farklıydı. Aynı ekibin analizinde yeşil, temiz ve konyak hatanın azaldığı yönle; menekşe, aromatik ve doğal ise hatanın arttığı yönle ilişkilendi. Araştırma ekibi bu sonucu doğrudan yorumlamanın zor olduğunun altını çizdi. Yine de doğal gibi anlamı geniş bir kelimenin burada yer alması ilginç. Bu bölüm bizim izlenimimizdir, makalenin sonucu değildir.

Çok fazla malzeme gerekmedi

Araştırma ekibi her model için en etkili özellikleri sırayla üst üste koydu. Doğruluğu yüksek modellerden üçü 100'den az özellikle toplam etkinin yarısına ulaştı. Bir başka modelde yaklaşık 1.000 özellik gerekti, yani fark büyük. Koku mesafesini açıklamak için illa çok sayıda karmaşık malzeme gerekmiyor demektir.

İnsan burnu da şaşabilir

Ulaşılabilecek üst sınır insanın kendi sonucudur

Makalenin en dürüst bölümü burası. Araştırma ekibi aynı kişiler yeniden değerlendirdiğinde ne kadar aynı cevabı verdiklerini de ölçtü. İkinci sınavda katılımcılar en az bir gün arayla iki kez değerlendirdi ve iki sonucun korelasyon katsayısı 0,74 çıktı. Birinci sınavda verilerin ikiye bölünerek karşılaştırılmasıyla elde edilen değer ise 0,69'du.

Düşününce bu çok doğal. Ortalaması alınmış insan değerlendirmesi bile kusursuz biçimde tekrarlanmıyor. Dolayısıyla modelin insandan daha insan gibi tahmin etmesi zordur. Yalnızca kelimelerin kaldığı modelin 0,61 ve 0,54 değerleri bu üst sınıra henüz ulaşmadı. Araştırma ekibi de modelle insan arasında bir boşluk kaldığını kabul ediyor.

Kokular çok benzer ya da çok farklıysa yanılıyor

Modelin en doğru olduğu yer, mesafenin 0,5–0,8 olduğu aralıktı. Çünkü eğitim verileri bu aralıkta yoğunlaşıyor. Rastgele karıştırılan karışımların da çoğunlukla bu aralığa düştüğü belirtiliyor.

Tersine, 0,5'in altında ve 0,8'in üstünde hata büyüdü. Modeller tahminlerini ortaya çekme eğilimi gösterdi. Çok benzer çiftleri gerçekte olduğundan biraz uzak, çok farklı çiftleri gerçekte olduğundan biraz yakın sanıyorlar.

Parfümörler için bu önemli bir nokta. İşin en zor kararı, "neredeyse aynı ama bir yerinde fark var" dedirten iki denemeyi ayırmaktır. Şu anki modellerin en zayıf olduğu yer tam da bu aralık.

Yeni model her zaman kazanmadı

İkinci sınav mesafeye göre beş aralığa bölündüğünde, en benzer aralıkta önceki model olan Temel Koku Haritası'nın hatası daha küçüktü. Kalan dört aralıkta topluluk modeli ve yalnızca kelimelerin kaldığı model öndeydi. Genel ortalamanın iyi olması her aralıkta iyi olmak anlamına gelmiyor.

Gerçek parfümlerden farkı ne?

Bu araştırmayı olduğu gibi parfüme taşımak sorun yaratır. Laboratuvar karışımlarıyla gerçek parfümler arasında büyük farklar var.

• Yoğunluğu eşitlenmiş karışımlar — Verilerin çoğunda bileşenlerin yoğunluğu önceden eşitlendi. Gerçek kokularda güçlü bileşen zayıf olanı bastırır, kokunun karakteri de konsantrasyona göre değişir. Araştırma ekibi, yoğunluğu ele almanın gelecekteki bir görev olduğunu yazdı.
• Bileşen sayısı — Sınav karışımlarında yaklaşık 10 bileşen vardı. Ekip, günlük hayatta karşılaştığımız kokuların genellikle onlarca, yüzlerce molekülün karışımı olduğunu açıklıyor.
• Sınırlı hammadde — Kullanılan moleküllerin yelpazesi dar. İlk kez karşılaşılan moleküllerde de işe yarayıp yaramayacağı henüz bilinmiyor.
• Tek bir anın değerlendirmesi — Bu araştırma iki kokunun ne kadar benzediğini sordu. Kokunun zamanla nasıl değiştiğini ya da insanların o kokuyu sevip sevmediğini sormadı.

Son maddeyi özellikle aklınızda tutun. Mesafe, iki kokunun ne kadar farklı olduğunu söyler; hangisinin daha güzel koku olduğunu söylemez.

Sevindirici bir nokta da var. Araştırma ekibi verileri, modelleri ve kodu tamamen paylaştı. Yani herkes aynı problem üzerinde daha iyi yöntemleri deneyebilir. Ancak paylaşılmış olması, parfümörlerin iki akor girip hemen mesafe alabileceği bir aracın doğduğu anlamına gelmiyor. Şimdilik daha çok araştırmacılar için bir başlangıç çizgisi sayılır.

Metamer: Malzeme farklı, koku aynı

Makalede kullanılan veri kümelerinden biri koku metamerleri üretmeye çalışan bir araştırmadan geliyor. Metamer, ortak bileşeni olmadığı hâlde benzer algılanan karışım çifti demektir. Renklerde ışığın bileşimi farklı olsa da aynı rengin görülmesine benzer.

Araştırma ekibi, bu sonuçlarla sanal metamerlerin bilgisayarda verimli biçimde üretilip deneylerle sınanabileceğini öngörüyor. Önce adaylar hesapla seçiliyor, sonra insanlar doğruluyor.

Yazarların saydığı uygulama alanları geniş: Kokuyu veri olarak saklayıp iletmeye yarayan dijital koku, nefes gibi yollarla sağlığı izleyen teknolojiler, elektronik burun ve üretken koku tasarımı. Ancak bunlar gelecekteki olasılıklardır; bu makale bir parfüm tasarlayıp göstermiş değildir.

Yorum: Bu makale parfümcülük öğrenenlere ne söylüyor?

Bundan sonrası makalenin sonucu değil, GrassAccord'un yorumudur.

Kokuyu yazmak duygu değil, tasarımdır

Parfümcülük derslerinde hammadde notu yazmanız istendiğinde bunu sıkıcı bulabilirsiniz. Nasılsa burnunuzla kokluyorsunuz, neden yazasınız? Bu makale o alışkanlığa yeniden bakmamızı sağlıyor. Çünkü sayısız molekül bilgisinden çok, birkaç koku kelimesi karışımlar arasındaki mesafeyi daha iyi açıkladı.

Elbette bilgisayarın kelimeleri ile insanın notları aynı şey değil. Yine de yön aynı. Kokuyu kelimelere ayırdığınızda karşılaştırılabilir hâle gelir. "Güzel" diye biten bir not sonraki karışımda işe yaramaz; "çimen kokusu güçlü, sonunda ıslak ahşap kalıyor" notu ise işe yarar.

Tek hammaddelerle başlayın

Kelimeler tekil moleküllerden öğrenilmiş olsa da karışımları açıkladı. Parfümcülük öğrenme sırası da aynıdır. Tek bir hammaddenin izlenimini net olarak bilirseniz karıştırdığınızda ne olduğunu okuyabilirsiniz. Çok sayıda akor yapmaktansa bir hammaddeyi defalarca koklamaya ayırdığınız zaman ileride size daha çok geri döner.

Burada laboratuvardan bir yöntem ödünç almak işe yarar. Araştırma ekibinin bileşenlerin yoğunluğunu eşitlediği gibi, hammaddeleri karşılaştırırken seyreltme oranını eşitleyin. Yalnızca biri daha konsantreyse hammaddelerin karakterini değil, yoğunluğunu karşılaştırmış olursunuz. Saf hâlde koklayarak verdiğiniz karar seyreltince sıklıkla değişir.

Anlamı dar kelimeleri seçin

Doğal kelimesi rahattır ama çok şey taşır. Neyin doğal olduğunu bir adım daha derine inerek yazın: Biçilmiş çimen mi, ıslak toprak mı, soyulmuş meyve mi? Daha önce de belirttiğimiz gibi makalenin kanıtladığı bir şey değil, ancak anlamı dar kelimelerin sonraki kararınızda daha işe yaradığını çalışma masasında hemen görebilirsiniz.

Aynı izlenimi başka malzemelerle kurun

Metamer fikri yeni başlayanlar için de büyük bir teselli. Bir hammaddeyi bulamasanız ya da düzenlemelere takılsa bile aynı izlenimi başka malzemelerle yeniden kurabilirsiniz. Benzer algılanmak için illa aynı moleküller gerekmez.

GrassAccord'un sattığı formüllerin birçoğu da ünlü parfümleri çalışma malzemesi olarak alır. Ancak benzer olmak ile aynı olmak farklı şeylerdir. Bu araştırmanın ele aldığı da tek bir anın izlenimidir. Zamanla nasıl değiştiğini koku kâğıdını yanınızda tutup bizzat izlemeniz gerekir.

Burnunuza güvenin, ama tek seferlik kararına değil

Ortalaması alınmış insan değerlendirmesi bile yeniden ölçüldüğünde 0,74 çıkıyor. Dün benzeyen iki kokunun bugün farklı gelmesi burnunuzda bir sorun olduğu anlamına gelmeyebilir. Değerlendirmeler zaten oynar. Önemli kararlarda ertesi gün yeniden koklayın ve ilk yazdığınız notla karşılaştırın. Kararınızı koruyan şey sayılar değil, alışkanlıktır.

Birkaç burun, tek burundan iyidir

Bu makalede en iyi sonucu üstün tek bir ekip değil, farklı ekiplerin ortalaması verdi. Koklama da böyledir. Tek başınıza karar veremediğinizde başkalarına koklatın. Parfümden anlamayan birinin "sabun gibi" demesi size değerli bir ipucu olabilir.

Yapay zekâ yalnızca adayları daraltır

Bu araştırmanın işaret ettiği gelecek, parfümörlerin yok olduğu bir dünyadan çok adayların hesapla daraltıldığı ve kararı insan burnunun verdiği bir dünyaya yakındır. Model henüz iyi ya da kötü diye değerlendirme yapmadı ve en zor olan "neredeyse aynı ama farklı" aralığında zayıftı. O son aralık bir süre daha insan burnunun işi.

Çalışma masasında hemen deneyebileceğiniz üç alıştırma

Makaleyi okuyup bırakmak yazık olur. Araştırma ekibinin yaptığını küçülterek çalışma masanıza taşıyalım. Oranları kendi hammaddelerinize ve zevkinize göre belirleyin.

Alıştırma 1. Kendi koku sözlüğünüzü oluşturun

Sık kullandığınız on hammadde seçip birer birer koku kâğıdına sürün. Her hammadde için yalnızca üç kelime yazın. "Güzel" gibi değerlendirme kelimelerini dışarıda bırakın; meyve, çimen, ahşap, sabun gibi kokuyu işaret eden kelimeler kullanın. Bir hafta sonra adları gizleyip yeniden yazın ve karşılaştırın. Değişmeden kalan kelimeler o hammaddenin gerçek yüzüdür.

Alıştırma 2. Evde üçgen testi

Birbirine benzeyen iki deneme hazırlayın. Üç koku kâğıdından ikisine aynı denemeyi, birine diğer denemeyi sürün ve alt yüzlerine işaret koyun. Başka birinden sırayı karıştırmasını isteyin ve farklı olanı seçin. Birkaç kez tekrarlayıp sürekli bilirseniz iki deneme ayırt edilebilir kokulardır; bilme sayısı rastgele tahmin düzeyinde (üçte bir) kalıyorsa şu anki burnunuz için neredeyse aynı kokudur.

Alıştırma 3. Burnunuzun mesafesini ölçün

İki kokunun mesafesini 0 ile 1 arasında bir sayıyla yazın. 0 ayırt edilemiyor, 1 tamamen farklı demektir. Yaklaşık beş çift yazın ve ertesi gün aynı sırayla yeniden puanlayın. Sayıların ne kadar oynadığına bakarak kararlarınızın genişliğini görebilirsiniz. Oynaması sorun değil. Bu alıştırmanın amacı o genişliği öğrenmektir.

Bu makaleyi okurken dikkat edilecekler

• Parfüm araştırması değil. Araştırma amaçlı molekül karışımlarını ele alıyor. Parfüm formüllerine olduğu gibi uygulanabileceği anlamına gelmiyor.
• Sınav soruları az. Birinci sınav 46 çift. Bu yüzden en iyi ekipler sıralanamadı ve araştırma ekibi küçük grupların sonuçlarının dikkatle okunmasını istedi.
• Orta aralıkta güçlü. Eğitim verileri 0,5–0,8 mesafesinde yoğunlaştığı için çok benzer ya da çok farklı çiftlerde zayıf.
• Ölçüm yöntemleri karışık. Üçgen testi ve puanlama tek bir ölçeğe taşındığı için yönteme bağlı sapmalar kalmış olabilir.
• Yoğunluk yeterince ele alınmadı. Çoğunlukla yoğunluğu eşitlenmiş bileşenler kullanıldı. Gerçek kokularda yoğunluk büyük bir değişkendir.
• Yeni moleküllerde işe yarayıp yaramayacağı bilinmiyor. Sınavda kullanılan moleküllerin yelpazesi dar.
• Yoruma karşı görüşler var. Makale, karışımların kokusunun büyük ölçüde kelimelerin örtüşmesiyle belirlendiği görüşüne katılmayan araştırmacılar olduğunu belirtiyor.
• Şirket danışmanlıkları açıklanmış. Makale, bazı yazarların koku alanındaki şirketlere danışmanlık yaptığını belirtiyor.

Bu yazıda geçen terimler

• Tekil molekül — Tek tür molekülden oluşan koku maddesi.
• Karışım — Birden fazla molekülün karıştırılmış hâli. Bu araştırmada yaklaşık 10 bileşen içerir.
• Mesafe — İki kokunun ne kadar farklı algılandığını 0–1 arasında gösteren değer. 0 ayırt edilemez, 1 en farklı demektir.
• Üçgen testi — Üç örnek arasından farklı olanı seçtirerek ayırt etme becerisini ölçen yöntem.
• Korelasyon katsayısı — İki değerin ne kadar birlikte hareket ettiğini gösteren sayı. 1'e yaklaştıkça daha çok birlikte hareket ederler.
• Ortalama hata (RMSE) — Tahminin gerçekten ortalama sapma büyüklüğü. Ne kadar küçükse o kadar iyidir.
• Topluluk modeli (ansambl) — Birden fazla modelin tahminlerinin ortalaması alınarak tek bir model hâline getirilmesi.
• Kelime bilgisi (anlamsal özellik) — Bir molekülün hangi koku kelimeleriyle anılacağına dair bilgisayarın tahmin ettiği değer.
• Temel Koku Haritası (POM) — Molekül yapısından koku kelimelerini tahmin eden önceki bir araştırmanın modeli. Bu yarışmadaki birçok ekip onu malzeme olarak kullandı.
• Metamer — Bileşenleri örtüşmese de benzer algılanan karışım çifti.
• Akor — Birden fazla hammaddenin karışarak tek bir izlenim gibi algılandığı koku birimi.
• Formül — Bir kokuyu yapmak için hangi hammaddelerin hangi oranlarda karıştırıldığını yazan tasarım planı. GrassAccord'un sattığı şey budur.

Son söz

Burnun henüz kırmızı, yeşil, mavi gibi bir kuralı yok. Ama 26 ekibin birlikte bulduğu ilk ipucu, beklenmedik biçimde insan dilinin tarafındaydı. Moleküllerin uzun açıklamalarından çok, kokuyu adlandıran birkaç kelime iki koku arasındaki mesafeyi daha iyi açıkladı.

Ve o mesafeyi sonuna kadar ölçme işi hâlâ insan burnunda. Burun oynar, model ortaya kayar. İkisi de kusursuz olmadığı için koku kâğıdının önünde ağır ağır koklamak, kelimelerle yazmak ve ertesi gün yeniden koklamak hâlâ en güvenilir yöntemdir.

Parfüm yapmaya yeni başlayanlar için bu iyi bir haber. Pahalı ekipman olmadan, koku kâğıtları ve bir defterle bu araştırmanın gösterdiği yola girebilirsiniz. Koku evrensel bir dildir. O dilin sözcüklerini birer birer toplarken GrassAccord yanınızda olacak.

Makale kaynağı: Vahid Satarifard, Laura Sisson, Yikun Han vd. "A semantic-based community model for high-fidelity tuning of olfactory mixture distances." PNAS 123(32), e2611057123, 4 Ağustos 2026'da yayımlandı. Orijinal: https://doi.org/10.1073/pnas.2611057123 · Bu yazıdaki tüm rakamlar makalenin ana metninden aktarılmıştır; ifadeler GrassAccord'un özeti ve yorumudur. "Yorum" bölümü makalenin sonucu değil, GrassAccord'un yorumudur.