１．はじめに

 次世代情報社会において「ヒト嗅覚情報の記録、保存、伝送、再構成（一連の流れを『匂い情報DXと定義』」を実現するには、ヒト嗅覚が感じる全ての匂いを、出来るだけ単純な共通フォーマットで客観的かつ一意的なデジタルデータとして表現する必要がある。そのために使用する匂い評価法は、限られた匂いしか検出できない酸化金属や有機ポリマーによる従来型匂いセンサ、匂わない気体分子も全て検出しデータが膨大化するGC-MS（ガスクロマトグラフ・質量分析計）、各個人の嗅覚特性に依存した主観的な官能試験などがあるが、これらは匂い情報DX実現には必ずしも適していない。それは，匂い分子だけでも40万種類以上存在し，通常は複合臭で存在するので，その組成は無数になることが大きな理由である。
 一方，約１兆種類の単純臭や複合臭を識別可能なヒト嗅覚は、嗅上皮に存在する嗅神経細胞（Olfactory sensory neuron; OSN）に発現する嗅覚受容体（Olfactory receptor; OR）全て（本論文では388種類）が、それぞれ匂い対し異なる強度で応答し、全体でパターン認識する¹⁾。そこで，各ORの応答強度を指標にすれば、ヒトが感じるほぼ全ての匂いを388次元のパラメーターで表現可能になると考えられた。
 本稿では、匂い情報DXを強力に推進するために開発した全ヒトOR発現細胞（388種類）を使用したヒト嗅覚受容体センサについて紹介する。

２．ヒト嗅覚受容体センサの開発

 当初は、マウス嗅上皮からOSNを単離して、任意の匂いに応答するOR群を同定する試み（deorphanization）が数多くなされてきた。最近では、マウス嗅上皮由来細胞をセルアレイ化して、匂いに応答したOSNだけを、１細胞単離するロボットが開発されているが²⁾、ヒト嗅上皮の単離は倫理的にも不可能であるため、全ヒトOR遺伝子を異種細胞に発現させたライブラリーから匂いに応答するOR発現細胞を探索する方法が主流である³⁾。
 しかし、ORを異種細胞で発現すると、ORが小胞体に凝集・蓄積し分解されることが多く⁴⁾、全てのヒトORを細胞表面に提示させ、匂い分子応答可能にすることは困難であった。松波らは、シャペロンであるRTP1,RTP2,REEP1を導入したHEK293細胞（Hana3A）と、N末端にRhoタグを付加したORの組合せが，大幅に細胞表面発現を改善することを見出した⁵⁾。特にRTP1のC末端側が異なるRTP1SがORの細胞表面発現や匂い分子応答をより強く改善した⁶⁾。また、Lucyタグ⁷⁾やIL-6-Haloタグ⁸⁾が、Rhoタグよりも幅広いORの細胞表面発現を可能にした。さらに、非ORのGタンパク質共役型受容体（βAR, M3R）の共発現がORとヘテロダイマーを形成して細胞表面への移行を改善した^9,10)。特に、M3Rの共発現はβアレスチン2を介するORのインタナライザーションを抑制した^11,12)。次に、OSN特異的なGタンパク質α　GNAL¹³⁾、Gαタンパク質のシャペロンであるRic-8B¹⁴⁾などの共発現、高感度なcAMP検出用LuciferaseであるGloSensorの採用¹⁵⁾などにより、セカンドメッセンジャー（cAMP）生成・検出系の改善も行われている（図１左下）。
 以上の試みにより、大半のヒトORがHEK293細胞の細胞表層で匂い分子認識ができるようになり、任意の匂い分子に対して応答する嗅覚受容体群を同定することが可能になってきている¹⁶⁾。さらに最近では、全てのORを細胞表面発現させるために、RTP非依存的に細胞表面発現するORの構造的特徴が見出されている^17,18)。しかし、この構造的特徴の導入は、OR本来の匂い分子認識能を変化させる可能性があり、ヒトOR全てを使用する網羅的deorphanizationには現時点では採用できない。
 以上の全てのORの細胞表面発現と匂い分子応答能を改善する試みは非常に重要であるが、その多くが匂い刺激後30分間から４時間のOR応答によるセカンドメッセンジャーcAMP生成量のエンドポイント測定である。ヒト嗅覚は匂い刺激直後から強く応答し数分間のうちに順応する。この過程はOSNのOR応答に大きく依存しており、匂い情報DXを実現するためには、OSNの活動電位変化をリアルタイム測定することが最善であるが、現状では多くのOR発現細胞を一度に測定するのは困難であるので、細胞内Ca²⁺変化をリアルタイム測定するのが望ましい¹⁹⁾。
 具体的には、上記OR発現細胞に、環状ヌクレオチド作動性チャネル（CNG）とCa²⁺依存性蛍光タンパク質（GCaMP）を導入し、388種類のヒトORをそれぞれ発現したHEK293T細胞を用意する²⁰⁾（図１右下）。次に、スライドグラス上に0.5mm四角のマイクロウェルを20列×20行に配置し、ロボットを使用して、各マイクロウェルに各OR発現細胞を約400-500細胞ずつ整列配置したセルアレイとし、還流装置にセットし、蛍光顕微鏡で観察する（ヒト嗅覚受容体センサ）。対象の匂いを溶解したリンゲル溶液を還流させ、アレイ全体をビデオ撮影して、匂い分子に応答するORを発現する細胞が発する蛍光を記録する（図２上段）。
 １細胞解析により得られた各細胞の膨大な波形から、機械学習したAIプログラムにより、匂いに応答したOR由来の波形を抽出し、平準化した各ORの応答波形を得る。この方法により、筆者らは数多くの匂いを388種類のヒトORの応答強度で、単純臭、複合臭を問わず表現できる（匂いマトリックスと呼ぶ）（図２下段）。この時、同じORでも異なる匂い分子に対する応答波形は異なるので、この匂いマトリックスは各ORにつきそれぞれ経時的変化も含んでいるが、通常は簡略化のためスナップショットを使用している²⁰⁾。このセルアレイ技術に基づくヒト嗅覚受容体センサは、製薬会社においてGPCR作動薬のスクリーニングに使用されている多くのマイクロプレートと試薬を必要とするFLIPR²¹⁾よりも、遥かに迅速かつ安価に、しかも同じ測定セットで異なる条件を連続して測定できる。

3．ヒト嗅覚受容体センサによる匂い情報DX

 ヒト嗅覚において全ORがどのように匂いを認識しているかを正確に調べる網羅的deorphanizationを行うには、現行のヒトOR発現細胞では課題が多い。まず、発現に使用している細胞に含まれるGαタンパク質がOSNと異なる場合、ORの匂い分子応答が変化する²²⁾。また、ヒトORには点突然変異（SNPs）が数多く見られ匂い分子応答が変化する^23-25)。さらに、液相中の匂いに対するOR応答を測定しており、ヒト嗅覚では気相中の匂いを、鼻汁を介してOSNのORが応答するので検出感度に大きな差が生じる。しかしながら、匂い情報DXの実現（特に、記録）のためには、固定されたヒトORセットにより、一定の条件で匂いを測定し、ヒトが感じる匂いを全て388次元の匂いマトリックスで定義できれば十分であり、ヒト嗅覚による匂いの感じ方を正確に反映する必要はない。
 これまで、任意の匂いを再構成するには、オリジナルの匂いをGC-MSで成分分析して、主要香気成分を同じ割合で混合すれば再構成できた。しかし、それでは約40万種類と言われる匂い分子全てを用意しなければ、匂い情報DXの再構成を実現できず、実質的に不可能である。特定の香料群（アロマ精油）をGC-MS分析して、同じ香調を示す匂い分子を整理して、任意のアロマ精油の香調を再現する試みがあるが、この方法は広範囲な匂いの再構成には使用できない²⁶⁾。
 筆者らはヒト嗅覚受容体センサとGC-MSを用いて、鰹節、バラ精油、ラベンダー精油、バニラ香料の香気成分を測定した。その結果、各サンプルは数多くの気体成分を含んでいるにもかかわらず、顕著に応答したヒトORは10種類以下であった。また応答ORの中には共通したものが含まれており、鰹節に応答した10種類のORのうち、４種類がバニラ香料にも応答した。バラ精油に４種類のORのうち、１種類がラベンダー精油にも応答した。さらに、各ORをピンポイントに刺激する匂い分子をサンプルには含まれていない匂い分子から選抜し、匂いマトリックスを再現できる比率で混合したところ、鰹節は７種類、バラ精油は４種類、ラベンダー精油は３種類、バニラ香料は５種類のサンプルには含まれていない匂い分子で、オリジナルのサンプルとほぼ同じ香調を示すことができた（㈱香味醗酵HP掲載データ）。この結果は、どんなに複雑な匂いでも、ヒト嗅覚受容体センサにより匂いマトリックスを得て、各応答ORをピンポイントで刺激する匂い分子を混合すれば、遥かに少ない種類の匂い分子で再現可能であることを示している²⁷⁾。
 これまでに、複合臭に対するOSNの応答は、各匂い成分のOSN応答と基本的に線形であるが²⁸⁾、匂い分子同士の干渉が存在し²⁹⁾、非線形なOR応答が時折観察される³⁰⁾。また、濃度依存的に同じ匂い分子がOR応答を促進したり抑制したりするInverse agonistが存在する³¹⁾。これらの複合臭における例外的な匂い分子の作用は予期せず起きるため，従来の匂いセンサやGC-MSで匂いを測定しても正確な香調の評価が困難である。
 以上から，特に複合臭に対する香調評価にはヒト嗅覚受容体センサのみが有効であり、匂い情報DX実現に必要な，任意の匂いと同じ香調を有する匂いの再構成に使用する匂い分子は、各ORをピンポイントで刺激する匂い分子のみを使用するほうがよい。

次回に続く－

【著者紹介】
黒田　俊一（くろだ　しゅんいち）
大阪大学　産業科学研究所　所長/教授

■略歴

1984年 京都大学農学部農芸化学科卒業
1986年 京都大学大学院農学研究科修士課程修了（農芸化学専攻）
同年 武田薬品工業(株)生物工学研究所研究員
1992年 京都大学博士（農学）
1994年 神戸大学バイオシグナル研究センター助手
1996年 同助教授
1998年 大阪大学産業科学研究所助教授
2002年 ジュネーブ大学医学部客員教授（兼任）
～03年
2009年 名古屋大学大学院生命農学研究科教授
2015年 大阪大学産業科学研究所教授
2017年 (株)香味醗酵取締役（最高科学担当）
～23年
2024年 大阪大学産業科学研究所所長
現在に至る

製薬会社において遺伝子組換えタンパク質製剤の開発研究，大学では細胞内情報伝達機構の研究，DDSナノキャリア開発，全自動１細胞解析単離装置の開発を行った後，現在はヒト嗅覚受容体発現細胞セルアレイセンサの開発と社会実装を行う。日本農芸化学会奨励賞，同学会技術賞，バイオビジネスコンペJAPAN優秀賞，日本バイオベンチャー大賞文部科学大臣賞，ものづくり日本大賞（経済産業大臣賞）などを受賞。

１．はじめに

 ユーザのニーズが多様になり，プロダクトやサービスのカスタマイズ化やパーソナル化への要求が高まっている．この実現には個人の感性を的確に把握し，それにあわせて具体的なプロダクト・サービスのデザインに展開する方法論が必要になる．
 著者らは，感覚・感性を指標化し，指標を介したプロダクトデザインを通して新たな感性価値を創出するための研究に取り組んでいる．また，最近ではDX（Digital Transformation）やEC（E-Commerce）の推進に伴い，触覚情報も視覚・聴覚情報と同様に定量的に扱う方法論への注目が高まっており，この感性の指標化技術の方法論を，触感に展開することで，触感と物理量との関係を定量的に扱うことを可能とする触感定量化技術の研究にも取り組んでいる．本稿では，この触感定量化技術のうち特に触感計測についてその原理を紹介する．さらに当該技術による応用事例としてふきとり化粧水の処方設計，所望のテクスチャ触感を有するハイトマップ生成の事例について紹介する．

２．感性指標化技術の触感への展開

 感性研究において中心的なトピックの一つが印象（イメージ）の定量化である．プロダクトデザイン分野においては，人がプロダクトに対して「好き」や「欲しい」などの感情（感性価値）を抱くのは，「かわいい」や「美しい」といった印象を抱くからであり，またこうした印象は色や表面性状などの物理要因によって形成されると捉えられている．
 我々が研究を進めている感性指標化の枠組み⁽¹⁾を図1に示す．ここでは感性のモデルを「感情―印象―物理量」の3層からなる階層構造として表現する⁽²⁾．最下位層である対象の物理量から、上位要素である対象の印象、印象に基づく総合評価である価値や価値によって喚起される内的な情動までの階層的な対応関係を構成する。印象層を介することでヒト（価値）とモノ（物理要因）の対応関係における感性的な価値形成の根拠（因果関係）が明らかになり，プロダクトデザインへのフィードバックが容易になる．また印象層で個人差の補正を行えるので，モデル全体の精度が上がるというメリットもある．
 モデル化のフローは図1に示すように、心理学実験と統計解析に基づくものである．主観評価によって有効な評価語セットと対象物セット（プロダクトやサービス）を選定し，次にこれらの対応関係を主観評価によってデータ化し，統計解析によって指標を構築し、さらに物理要因とマッピングする。フローの各ステップでは開発者の予断や先入観を極力排除し、対象となるヒトが対象となるモノから喚起される反応を正しく取り出し、これを真値 (grandtruth) としてモデルを構築する．こうして構築されたモデルによって，対象物の持つ価値やそれにより喚起される情動を定量化・可視化し，逆に情動や価値をもたらす物理要因を求めることができる．
 著者らは，この感性指標化の枠組みに基づいた触感の指標化・定量化の研究に取り組んでいる．この研究では、他感覚に対する触覚の特殊性を考慮する必要がある．通常，我々は手を動かして物に触れることで触感を得る．このアクティブタッチにより得られる触感は、物の物性値のみでは説明できない．皮膚の振動や摩擦といった人と物の相互作用を考慮することが重要であるとされている⁽³⁾．つまり、触感と物理量の定量的関係を扱う上で、ヒトの要因を考慮することが鍵となる．本稿で紹介する触感定量化技術は、アクティブタッチ時の皮膚の状態に基づいた触感と物理量の関係性を定量化している．さらに，所望の触感を実現するための枠組みとして，触感計測，シミュレーション，ディスプレイ技術に関する基盤技術と応用研究も進めている(図2）．この触感定量化技術は，自動車，化粧品，化学など幅広い業種のプロダクトデザインに展開されている．

３．触感計測

 本章では，触感計測の研究について示す⁽⁴⁾．当該研究は，モノの表面を撫でた際に得られるテクスチャ触感を，実際にモノに触れた際に生じた振動量に基づいた客観計測の実現を実現するため，摩擦力及び押込みに対する反力の時間プロファイルを計測するための専用デバイスを試作し，布地表面を撫でた際に得られた触感と振動量の同時計測し，そこから振動量から触感を予測するためのモデル構築法を確立した(図3)．次に，布地を対象とした触感予測モデル構築の事例を示す．

３．１．試作装置

 サンプル表面を撫でた際に指の接触面に加わる2軸（垂直，水平方向）のちからの振動情報を計測するための装置を試作した．本装置は，図4に示したように刺激資料を布置する台と，それを垂直及び水平方向から保持する振動板，そして振動板の歪を電気信号に変換するロードセルから構成され，摩擦力と押込みに対する反力の時間プロファイルを計測できる．

３．２．主観評価に基づく触感の指標化・定量化

 布地の表面をなでた際に得られる触感を指標化・定量化するため，大学生及び大学院生20名（男性17名，女性3名，平均年齢22.4歳）の参加者を対象とした主観評価実験によるデータ収集と，そのデータを対象とした因子分析を実施した．実験刺激には，質感サンプルセット（武井機器工業株式会社）に含まれる，10×10 [cm]の金属板に貼り付けられた図5(a)に示した13種の布地を用いた．また，評価項目として5つの材質感次元（マクロ粗さ，ファイン粗さ，硬軟感，摩擦感，温冷感）を代表する図5(b)の12項目を採用した．
 主観評価実験において参加者は，実験刺激が見えない状況において，実験刺激を約1 [N]の押込み力で，約5 [cm/s]の速度で撫で，その際に感じた触感を各評価項目についてどの程度当てはまるかを5段階のリッカート尺度により回答した．なお，実験刺激の提示順序は参加者毎にランダマイズした．
 主観評価実験によって，各刺激について12評価項目，20名分の評価データが得られた．このデータから触感の印象を代表する特徴量を抽出するため，まず各刺激について12の評価項目それぞれに対する20名の評価の平均点を求め，これを各刺激の評価項目毎の代表値とした．更に，布地触感の印象に関する心理構造を把握するため因子分析を実施した．因子分析時，因子抽出法は最尤法，回転はプロマックス回転，因子数はカイザーガットマン基準により決定した．その結果として，布地の触感は粗さ（roughness）と硬さ(hardness)の2因子により表現できることが分かった(図5(b))．これは，各刺激の触感を粗さと硬さの因子得点により感性量を指標化できることを意味するものである．図5(c)は，粗さと硬さの2次元空間における各刺激の分布を示したものであり布地の特徴を良く捉えており，真値として適切な指標が得られたことが分かる．

３．３．振動計測と特徴量抽出

 前述の試作装置を用いて，主観評価実験と同様の条件で布地を撫でた際に皮膚に生じた振動を計測し特徴量を抽出する．計測は，主観評価実験に参加した20名の参加者を対象として， 13種類の布地について実施した．参加者は，1種類の布地について1.02[N]の押込み力で，5 [cm/s] の速度でサンプルを上から下に向かって10回撫で，その際の振動記録した．
 触感は指の皮膚内部に存在する4つの触覚受容器を介して振動が知覚されることで形成される．この触覚受容器は，3つの異なる振動周波数に対して感度を持ち，指全体で振動周波数に対してフィルタバンク状のセンサ構造を形成することが知られている．これは振動情報が脳に伝達される以前に受容器が応答する振動周波数に対応した少数の要素に集約されることを意味しており，触感と振動の関係をモデル化する上で，振動情報，すなわち周波数特性を集約的に表現することが触感との関係を考える上で有意であるといえる．
 この観点から，収集された摩擦力・押込み力のデータについて，4つの触覚受容器の周波数応答の多様性を表現する大凡200[Hz]までの情報を抽出し，周波数特性としてパワースペクトル密度を求め，得られたスペクトルに対して主成分分析を適用した．その結果として，摩擦力については6，押込み力については15の主成分を抽出した．図3には，主成分負荷量を示しており，図中のそれぞれの線は主成分の基底ベクトルであり，周波数成分の関連の強さを表している．各主成分は，ことなる周波数帯域を代表している．また，主成分に対応する主成分得点は，主成分が代表する周波数帯域の振動の大きさを表す特徴量であり，これを振動特徴量として採用した．

３．４．触感予測モデルの構築と評価

 触感予測モデルは，触感指標を目的変数，振動特徴量を説明変数とした重回帰分析により構築する．図6(a)は，布地の触感を構成する粗さ(roughness)，硬さ(hardness)，それぞれのモデル構造を示したものである．この結果から，粗さ，硬さは異なる周波数成分から形成されており，必ずしも振動の大きな成分が触感形成に寄与していない．これは主成分分析が振動の機械的特性を反映したものであり，必ずしも周波数毎の振動の知覚量と対応しないことに起因する．この知覚量への変換特性はモデル係数の重みとして反映されている．
 更にモデルの予測精度について，leave-one-out交差検証法による検討を試みた．交差検証では，布地の1つを未学習データとして選択し，残りのデータを学習データとしてモデルを構築し，構築したモデルにより未学習データの各触感因子の予測値を求めた．これを1全ての布地について行い，未学習データから得られた触感の予測値と主観評価によって得られた触感の観測値とを比較した．図6(b)は，各触感についての評価結果で，何れの触感についても一直線上に布地が分布しており，決定係数は粗さ，硬さそれぞれ0.89，0.85と高く，著者らの提案した手続きにより触感を高い精度で振動情報から予測できるモデル構築が可能であることが分かる．

次回に続く－

【著者紹介】

山﨑　陽一（やまざき　よういち）
関西学院大学 工学部/感性価値創造インスティテュート　特任准教授

■略歴
2012年4月 愛知県立大学大学院情報科学研究科 博士(情報科学)取得
2011年4月〜2016年3月 公益財団法人科学技術交流財団 知の拠点重点研究プロジェクト統括部 研究員
2011年4月〜2016年3月 愛知県立大学情報科学共同研究所 客員共同研究員
2016年4月〜現在に至る 関西学院大学 工学部/感性価値創造インスティテュート 特任准教授

専門は，感性工学，生体医工学，生体シミュレーション，医用画像処理等．（公）科学技術交流財団では，血流刺激に対する血管の動きを血管壁を構成する細胞の振る舞いから説明可能なマルチスケールモデルの開発とその応用に関する研究に従事．関西学院大学では，モノと感性の定量化技術及びプロダクトデザインへの応用に関する研究に従事．

長田　典子（ながた　のりこ）
関西学院大学 工学部 教授 / 感性価値創造インスティテュート 所長

■略歴
1983年京都大学理学部数学系卒業,同年三菱電機（株）入社
産業システム研究所においてマシンビジョンの研究開発に従事
1996年大阪大学大学院基礎工学研究科博士後期課程修了
2003年より関西学院大学理工学部情報科学科助教授
2007年同教授
2009年米国パデュー大学客員研究員
2013年感性価値創造研究センター長
2015年革新的イノベーション創出プログラム
「感性とデジタル製造を直結し，生活者の創造性を拡張するファブ地球社会創造拠点」サテライトリーダー
2020年感性価値創造インスティテュート所長．博士（工学）．専門は感性工学，メディア工学等．
著書「感性情報処理」（共著）他

2013年文部科学大臣表彰科学技術賞（科学技術振興部門），2023年兵庫県科学賞受賞