Una plataforma en línea impulsada por el aprendizaje profundo puede predecir la composición de nuevas sustancias psicoactivas para ayudar a las autoridades en la lucha contra las drogas peligrosas.
La plataforma, denominada NPS-MS, alberga un método que predice nuevas sustancias psicoactivas mediante el aprendizaje profundo, un tipo de aprendizaje automático en el campo de la inteligencia artificial que implica entrenar algoritmos informáticos utilizando grandes conjuntos de datos para descubrir relaciones complejas y crear modelos predictivos. P>
"Las drogas ilegales son un pequeño grupo de estructuras de aspecto muy similar", afirma Fei Wang, estudiante de doctorado en el Departamento de Ciencias de la Computación de la Universidad de Alberta y primer autor del estudio internacional. "La naturaleza de las sustancias psicoactivas es que sus estructuras están en constante evolución."
En la última década se han sintetizado más de 1.000 sustancias de este tipo, diseñadas para imitar los efectos de drogas como la cocaína y la metanfetamina, evitando al mismo tiempo leyes que aún no contemplan nuevos análogos químicos.
"Esperamos que este programa reduzca el flujo de drogas ilegales que dañan a las personas y a la sociedad", afirma el coautor del estudio Russ Greiner, profesor de ciencias de la computación y presidente CIFAR de IA de Canadá en el Alberta Machine Intelligence Institute (Amii).
El trabajo de laboratorio para identificar nuevas sustancias psicoactivas requiere datos de referencia costosos y pruebas laboriosas para producir espectrógrafos:referencias de información química que pueden usarse para confirmar una sustancia desconocida.
La investigación de Wang comenzó con la programación de herramientas de aprendizaje automático para ayudar en el estudio de metabolitos humanos y moléculas pequeñas. Después de adaptar un método de aprendizaje automático para identificar nuevas sustancias psicoactivas, se entrenó NPS-MS utilizando los resultados de DarkNPS, un modelo generativo construido en la U de Arizona para predecir el espectrógrafo de posibles compuestos de NPS.
Después de que investigadores en Dinamarca notaron que la tecnología informática de Wang podría aplicarse a la identificación de nuevas sustancias psicoactivas, NPS-MS identificó con éxito una variante de fenciclidina, más comúnmente conocida como PCP, sin el uso de ningún estándar de referencia.
El algoritmo NPS-MS utiliza un conjunto de datos de 1.872 espectrógrafos para realizar referencias cruzadas de 624 nuevas sustancias psicoactivas.
"Con el aprendizaje automático, no hay limitaciones en cuanto a la cantidad de compuestos que podemos recopilar para un conjunto de datos", afirma Wang.
Wang dice que alrededor de 40.000 moléculas tienen datos de espectrometría de alta resolución disponibles para que los equipos forenses cotejen sustancias desconocidas, y señala que las bases de datos que contienen más de los alrededor de 100 millones de sustancias químicas conocidas pueden ser costosas de obtener para los laboratorios.
"NPS-MS reducirá en gran medida la cantidad de trabajo necesario para los laboratorios."
El trabajo está publicado en la revista Analytical Chemistry .
Más información: Fei Wang et al, La predicción del espectro MS/MS habilitada por aprendizaje profundo facilita la identificación automatizada de nuevas sustancias psicoactivas, Química analítica (2023). DOI:10.1021/acs.analchem.3c02413
Información de la revista: Química analítica
Proporcionado por la Universidad de Alberta
