Una piattaforma online basata sul deep learning può prevedere la composizione di nuove sostanze psicoattive per aiutare le forze dell'ordine nella lotta contro le droghe pericolose.
Chiamata NPS-MS, la piattaforma ospita un metodo che prevede nuove sostanze psicoattive utilizzando il deep learning, un tipo di apprendimento automatico nel campo dell'intelligenza artificiale che prevede l'addestramento di algoritmi informatici utilizzando grandi set di dati per scoprire relazioni complesse e creare modelli predittivi.
"Le droghe illegali sono un piccolo gruppo di strutture dall'aspetto molto simile", afferma Fei Wang, dottorando presso il Dipartimento di Scienze Informatiche dell'Università di Alberta e primo autore dello studio internazionale. "La natura delle sostanze psicoattive è che le loro strutture sono in continua evoluzione."
Negli ultimi dieci anni sono state sintetizzate più di 1.000 sostanze di questo tipo, progettate per imitare gli effetti di droghe come la cocaina e la metanfetamina, aggirando le leggi che non tengono ancora conto dei nuovi analoghi chimici.
"Ci auguriamo che questo programma riduca il flusso di droghe illegali che danneggiano le persone e la società", afferma il coautore dello studio Russ Greiner, professore di informatica e presidente canadese CIFAR AI presso l'Alberta Machine Intelligence Institute (Amii).
Il lavoro di laboratorio per identificare nuove sostanze psicoattive richiede dati di riferimento costosi e test ad alta intensità di lavoro per produrre spettrografi:riferimenti di informazioni chimiche che possono essere utilizzati per confermare una sostanza sconosciuta.
La ricerca di Wang è iniziata con la programmazione di strumenti di apprendimento automatico per aiutare nello studio dei metaboliti umani e delle piccole molecole. Dopo aver adattato un metodo di apprendimento automatico per identificare nuove sostanze psicoattive, NPS-MS è stato addestrato utilizzando i risultati di DarkNPS, un modello generativo costruito presso l'U of A per prevedere lo spettrografo di potenziali composti NPS.
Dopo che i ricercatori danesi hanno notato che la tecnologia informatica di Wang poteva essere applicata all'identificazione di nuove sostanze psicoattive, NPS-MS ha identificato con successo una variante della fenciclidina, più comunemente nota come PCP, senza l'uso di standard di riferimento.
L'algoritmo NPS-MS utilizza un set di dati di 1.872 spettrografi per effettuare riferimenti incrociati a 624 nuove sostanze psicoattive.
"Con l'apprendimento automatico, non ci sono limiti al numero di composti che possiamo raccogliere per un set di dati", afferma Wang.
Wang afferma che circa 40.000 molecole hanno dati di spettrometria ad alta risoluzione disponibili per i team forensi per effettuare controlli incrociati con sostanze sconosciute, sottolineando che l'ottenimento di database contenenti più dei circa 100 milioni di sostanze chimiche conosciute può essere costoso per i laboratori.
"NPS-MS ridurrà notevolmente la quantità di lavoro necessaria per i laboratori."
Il lavoro è pubblicato sulla rivista Analytical Chemistry .
Ulteriori informazioni: Fei Wang et al, La previsione dello spettro MS/MS abilitata al deep learning facilita l'identificazione automatizzata di nuove sostanze psicoattive, chimica analitica (2023). DOI:10.1021/acs.analchem.3c02413
Informazioni sul giornale: Chimica Analitica
Fornito dall'Università di Alberta