Een online platform dat wordt aangedreven door deep learning kan de samenstelling van nieuwe psychoactieve stoffen voorspellen om de rechtshandhaving te helpen in de strijd tegen gevaarlijke drugs.

Het platform heet NPS-MS en herbergt een methode die nieuwe psychoactieve stoffen voorspelt met behulp van deep learning, een vorm van machinaal leren op het gebied van kunstmatige intelligentie waarbij computeralgoritmen worden getraind met behulp van grote datasets om complexe relaties bloot te leggen en voorspellende modellen te creëren.

“Illegale drugs vormen een kleine groep structuren die erg op elkaar lijken”, zegt Fei Wang, promovendus bij de afdeling Computerwetenschappen van de Universiteit van Alberta en eerste auteur van het internationale onderzoek. "De aard van psychoactieve stoffen is dat hun structuren voortdurend evolueren."

De afgelopen tien jaar zijn er meer dan 1.000 van dergelijke stoffen gesynthetiseerd, ontworpen om de effecten van drugs als cocaïne en methamfetamine na te bootsen, terwijl wetten worden omzeild die nog geen rekening houden met nieuwe chemische analogen.

"We hopen dat dit programma de stroom van illegale drugs zal verminderen die mensen en de samenleving schade berokkenen", zegt co-auteur Russ Greiner, hoogleraar informatica en Canada CIFAR AI-voorzitter aan het Alberta Machine Intelligence Institute (Amii).

Laboratoriumwerk om nieuwe psychoactieve stoffen te identificeren vereist dure referentiegegevens en arbeidsintensieve tests om spectrografen te produceren:chemische informatiereferenties die kunnen worden gebruikt om een ​​onbekende stof te bevestigen.

Wang's onderzoek begon met het programmeren van machine learning-tools om te helpen bij het bestuderen van menselijke metabolieten en kleine moleculen. Na het aanpassen van een machine learning-methode om nieuwe psychoactieve stoffen te identificeren, werd NPS-MS getraind met behulp van de resultaten van DarkNPS, een generatief model gebouwd aan de U van A om de spectrograaf van potentiële NPS-verbindingen te voorspellen.

Nadat onderzoekers in Denemarken merkten dat de computertechnologie van Wang van toepassing zou kunnen zijn op het identificeren van nieuwe psychoactieve stoffen, heeft NPS-MS met succes een variant van fencyclidine geïdentificeerd, beter bekend als PCP, zonder gebruik te maken van enige referentiestandaard.

Het NPS-MS-algoritme gebruikt een dataset van 1.872 spectrografen om 624 nieuwe psychoactieve stoffen te vergelijken.

"Met machinaal leren zijn er geen beperkingen aan het aantal verbindingen dat we kunnen verzamelen voor een dataset", zegt Wang.

Wang zegt dat ongeveer 40.000 moleculen spectrometriegegevens met hoge resolutie beschikbaar hebben voor forensische teams om onbekende stoffen te vergelijken, en merkt op dat databases die meer van de ongeveer 100 miljoen bekende chemische stoffen bevatten, voor laboratoria duur kunnen zijn om te verkrijgen.

"NPS-MS zal de hoeveelheid werk voor laboratoria aanzienlijk verminderen."

Het werk is gepubliceerd in het tijdschrift Analytical Chemistry .

Meer informatie: Fei Wang et al., Deep Learning-enabled MS/MS spectrumvoorspelling vergemakkelijkt geautomatiseerde identificatie van nieuwe psychoactieve stoffen, Analytische chemie (2023). DOI:10.1021/acs.analchem.3c02413

Journaalinformatie: Analytische chemie

Aangeboden door Universiteit van Alberta