PREDISCENT - Modèles numériques pour prédire l'odeur et l'émotion à partir de caractéristiques chimiques

Porteur du projet : Jérôme Golebiowski, ICN

Partenaires du projet : Institut de Chimie de Nice et Expressions Parfumées

La France est un protagoniste majeur dans le domaine du parfum. L'innovation par l'identification de nouveaux composés odorants repose encore principalement sur des découvertes faites par hasard. En effet, établir une relation entre la structure d'une molécule et ses propriétés chimio-sensorielles est un défi de longue date. Intuitivement, le savoir-faire des parfumeurs suggère que de telles relations existent et que le défi réside dans leur décodage. Outre la perception, ces experts élaborent leurs compositions pour communiquer des émotions qui sont difficilement quantifiables. Les raisons d'une telle difficulté reposent sur 1) la formidable complexité du système biologique impliqué dans les perceptions chimio-sensorielles, et 2) les variations génétiques et/ou culturelles potentielles au sein de la population humaine.

Est-il possible d’apprendre à un ordinateur à sentir, ou prédire une émotion ? Peut-on initier un nouveau domaine des "neurosciences computationnelles comportementales" ?  Ce projet explore comment les modèles numériques et le calcul haute performance peuvent ouvrir le domaine de la prédiction de l'odorat et des émotions reliées.

PREDISCENT vise ainsi à relier les algorithmes d'apprentissage automatique et de modélisation moléculaire aux propriétés mesurées par analyse sensorielle et expériences physiologiques sur des panels d'individus humains.

Dates prévisionnelles de début et fin du projet : January 2018 - July 2019