AI-drevet platform kan hjælpe retshåndhævelsen med at komme foran designermedicin

En online platform drevet af deep learning kan forudsige sammensætningen af ​​nye psykoaktive stoffer for at hjælpe retshåndhævelsen i kampen mod farlige stoffer.

Platformen kaldet NPS-MS huser en metode, der forudsiger nye psykoaktive stoffer ved hjælp af deep learning, en type maskinlæring inden for kunstig intelligens, der involverer træning af computeralgoritmer ved hjælp af store datasæt til at afdække komplekse relationer og skabe forudsigelige modeller.

"Ulovlige stoffer er en lille gruppe af strukturer, der ligner meget," siger Fei Wang, en ph.d.-studerende ved Institut for Datalogi ved University of Alberta og førsteforfatter på den internationale undersøgelse. "Karten af ​​psykoaktive stoffer er, at deres strukturer konstant udvikler sig."

Mere end 1.000 sådanne stoffer er blevet syntetiseret i det seneste årti, designet til at efterligne virkningerne af stoffer som kokain og metamfetamin, mens de overtræder love, der endnu ikke tager højde for nye kemiske analoger.

"Vi håber, at dette program vil reducere strømmen af ​​illegale stoffer, der skader mennesker og samfund," siger medforfatter af studiet Russ Greiner, professor i datalogi og Canada CIFAR AI-stol ved Alberta Machine Intelligence Institute (Amii).

Laboratoriearbejde for at identificere nye psykoaktive stoffer kræver dyre referencedata og arbejdsintensive tests for at producere spektrografer – kemiske informationsreferencer, der kan bruges til at bekræfte et ukendt stof.

Wangs forskning begyndte med programmering af maskinlæringsværktøjer til at hjælpe med at studere menneskelige metabolitter og små molekyler. Efter at have tilpasset en maskinlæringsmetode til at identificere nye psykoaktive stoffer, blev NPS-MS trænet ved hjælp af resultater fra DarkNPS, en generativ model bygget ved U til A til at forudsige spektrografen af ​​potentielle NPS-forbindelser.

Efter at forskere i Danmark har bemærket, at Wangs computerteknologi kan anvendes til at identificere nye psykoaktive stoffer, har NPS-MS med succes identificeret en variant af phencyclidin, mere almindeligt kendt som PCP, uden brug af nogen referencestandarder.

NPS-MS-algoritmen bruger et datasæt på 1.872 spektrografer til at krydsreference 624 nye psykoaktive stoffer.

"Med maskinlæring er der ingen begrænsninger for, hvor mange forbindelser vi kan indsamle til et datasæt," siger Wang.

Wang siger, at omkring 40.000 molekyler har højopløselige spektrometridata tilgængelige for retsmedicinske hold til at krydsreference ukendte stoffer, og bemærker, at databaser, der indeholder mere af de omkring 100 millioner kendte kemiske stoffer, kan være dyre for laboratorier at opnå.

"NPS-MS vil i høj grad reducere mængden af ​​arbejde involveret for laboratorier."

Værket er publiceret i tidsskriftet Analytical Chemistry .

Flere oplysninger: Fei Wang et al., Deep Learning-aktiveret MS/MS Spectrum Prediction letter automatiseret identifikation af nye psykoaktive stoffer, analytisk kemi (2023). DOI:10.1021/acs.analchem.3c02413

Journaloplysninger: Analytisk kemi

Leveret af University of Alberta