En onlineplattform som drivs av djupinlärning kan förutsäga sammansättningen av nya psykoaktiva ämnen för att hjälpa brottsbekämpande myndigheter i kampen mot farliga droger.
Kallad NPS-MS, innehåller plattformen en metod som förutsäger nya psykoaktiva substanser med hjälp av djupinlärning, en typ av maskininlärning inom området artificiell intelligens som involverar träning av datoralgoritmer med hjälp av stora datamängder för att avslöja komplexa samband och skapa prediktiva modeller.
"Olagliga droger är en liten grupp av strukturer som ser väldigt lika ut", säger Fei Wang, doktorand vid institutionen för datavetenskap vid University of Alberta och första författare till den internationella studien. "Psykoaktiva substansers natur är att deras strukturer ständigt utvecklas."
Mer än 1 000 sådana ämnen har syntetiserats under det senaste decenniet, utformade för att efterlikna effekterna av droger som kokain och metamfetamin samtidigt som de strider mot lagar som ännu inte tar hänsyn till nya kemiska analoger.
"Vi hoppas att det här programmet kommer att minska flödet av illegala droger som skadar människor och samhället", säger studiens medförfattare Russ Greiner, professor i datavetenskap och kanadensisk CIFAR AI-ordförande vid Alberta Machine Intelligence Institute (Amii).
Laboratoriearbete för att identifiera nya psykoaktiva substanser kräver dyra referensdata och arbetsintensiva tester för att producera spektrografer – kemiska informationsreferenser som kan användas för att bekräfta en okänd substans.
Wangs forskning började med att programmera verktyg för maskininlärning för att hjälpa till att studera mänskliga metaboliter och små molekyler. Efter att ha anpassat en maskininlärningsmetod för att identifiera nya psykoaktiva substanser, tränades NPS-MS med hjälp av resultat från DarkNPS, en generativ modell byggd vid U till A för att förutsäga spektrografen av potentiella NPS-föreningar.
Efter att forskare i Danmark märkte att Wangs datorteknik kan användas för att identifiera nya psykoaktiva substanser, identifierade NPS-MS framgångsrikt en variant av fencyklidin, mer känd som PCP, utan användning av några referensstandarder.
NPS-MS-algoritmen använder en datamängd på 1 872 spektrografer för att korsreferera 624 nya psykoaktiva substanser.
"Med maskininlärning finns det inga begränsningar för hur många föreningar vi kan samla in för en datamängd", säger Wang.
Wang säger att cirka 40 000 molekyler har högupplösta spektrometridata tillgängliga för kriminaltekniska team för att korsreferensera okända ämnen, och noterar att databaser som innehåller mer av de cirka 100 miljoner kända kemiska ämnena kan vara dyra för laboratorier att skaffa.
"NPS-MS kommer att avsevärt minska arbetsmängden för labb."
Arbetet publiceras i tidskriften Analytical Chemistry .
Mer information: Fei Wang et al, Deep Learning-aktiverad MS/MS Spectrum Prediction underlättar automatiserad identifiering av nya psykoaktiva ämnen, Analytisk kemi (2023). DOI:10.1021/acs.analchem.3c02413
Journalinformation: Analytisk kemi
Tillhandahålls av University of Alberta
