Une plateforme en ligne alimentée par l'apprentissage profond peut prédire la composition de nouvelles substances psychoactives pour aider les forces de l'ordre dans la lutte contre les drogues dangereuses.
Appelée NPS-MS, la plateforme héberge une méthode qui prédit de nouvelles substances psychoactives à l'aide de l'apprentissage profond, un type d'apprentissage automatique dans le domaine de l'intelligence artificielle qui implique la formation d'algorithmes informatiques à l'aide de grands ensembles de données pour découvrir des relations complexes et créer des modèles prédictifs. P>
"Les drogues illégales constituent un petit groupe de structures très similaires", explique Fei Wang, doctorant au Département d'informatique de l'Université de l'Alberta et premier auteur de l'étude internationale. "La nature des substances psychoactives est que leurs structures évoluent constamment."
Plus de 1 000 substances de ce type ont été synthétisées au cours de la dernière décennie, conçues pour imiter les effets de drogues comme la cocaïne et la méthamphétamine tout en contournant les lois qui ne tiennent pas encore compte des nouveaux analogues chimiques.
« Nous espérons que ce programme réduira le flux de drogues illégales qui nuisent aux gens et à la société », déclare Russ Greiner, co-auteur de l'étude, professeur d'informatique et titulaire de la chaire d'IA Canada-CIFAR à l'Alberta Machine Intelligence Institute (Amii).
Le travail en laboratoire visant à identifier de nouvelles substances psychoactives nécessite des données de référence coûteuses et des tests exigeants en main-d'œuvre pour produire des spectrographes, des références d'informations chimiques qui peuvent être utilisées pour confirmer une substance inconnue.
Les recherches de Wang ont commencé par la programmation d'outils d'apprentissage automatique pour faciliter l'étude des métabolites humains et des petites molécules. Après avoir adapté une méthode d'apprentissage automatique pour identifier de nouvelles substances psychoactives, NPS-MS a été entraîné à l'aide des résultats de DarkNPS, un modèle génératif construit à l'Université d'Alberta pour prédire le spectrographe de composés NPS potentiels.
Après que des chercheurs danois ont remarqué que la technologie informatique de Wang pourrait s'appliquer à l'identification de nouvelles substances psychoactives, le NPS-MS a réussi à identifier une variante de la phencyclidine, plus communément appelée PCP, sans utiliser d'étalons de référence.
L'algorithme NPS-MS utilise un ensemble de données de 1 872 spectrographes pour croiser 624 nouvelles substances psychoactives.
"Grâce à l'apprentissage automatique, il n'y a aucune limite quant au nombre de composés que nous pouvons collecter pour un ensemble de données", explique Wang.
Wang affirme qu'environ 40 000 molécules disposent de données de spectrométrie à haute résolution permettant aux équipes médico-légales de croiser des substances inconnues, notant que les bases de données contenant une plus grande partie des quelque 100 millions de substances chimiques connues peuvent être coûteuses à obtenir pour les laboratoires.
"NPS-MS réduira considérablement la quantité de travail nécessaire aux laboratoires."
Les travaux sont publiés dans la revue Analytical Chemistry .
Plus d'informations : Fei Wang et al, La prédiction du spectre MS/MS basée sur l'apprentissage profond facilite l'identification automatisée de nouvelles substances psychoactives, Chimie analytique (2023). DOI :10.1021/acs.analchem.3c02413
Informations sur le journal : Chimie analytique
Fourni par l'Université de l'Alberta
