Uma plataforma online alimentada por aprendizagem profunda pode prever a composição de novas substâncias psicoativas para ajudar as autoridades policiais na luta contra as drogas perigosas.



Chamada NPS-MS, a plataforma abriga um método que prevê novas substâncias psicoativas usando aprendizado profundo, um tipo de aprendizado de máquina no campo da inteligência artificial que envolve o treinamento de algoritmos de computação usando grandes conjuntos de dados para descobrir relações complexas e criar modelos preditivos.

“As drogas ilegais são um pequeno grupo de estruturas de aparência muito semelhante”, diz Fei Wang, estudante de doutorado no Departamento de Ciência da Computação da Universidade de Alberta e primeiro autor do estudo internacional. “A natureza das substâncias psicoativas é que as suas estruturas estão em constante evolução.”

Mais de 1.000 dessas substâncias foram sintetizadas na última década, concebidas para imitar os efeitos de drogas como a cocaína e a metanfetamina, ao mesmo tempo que contornavam leis que ainda não consideram novos análogos químicos.

“Esperamos que este programa reduza o fluxo de drogas ilegais que prejudicam as pessoas e a sociedade”, diz o coautor do estudo Russ Greiner, professor de ciência da computação e presidente do Canada CIFAR AI no Alberta Machine Intelligence Institute (Amii).

O trabalho laboratorial para identificar novas substâncias psicoativas requer dados de referência dispendiosos e testes trabalhosos para produzir espectrógrafos – referências de informação química que podem ser utilizadas para confirmar uma substância desconhecida.

A pesquisa de Wang começou com a programação de ferramentas de aprendizado de máquina para auxiliar no estudo de metabólitos humanos e pequenas moléculas. Depois de adaptar um método de aprendizado de máquina para identificar novas substâncias psicoativas, o NPS-MS foi treinado usando resultados do DarkNPS, um modelo generativo construído na U of A para prever o espectrógrafo de potenciais compostos NPS.

Depois de investigadores na Dinamarca terem notado que a tecnologia informática de Wang poderia ser aplicada à identificação de novas substâncias psicoativas, o NPS-MS identificou com sucesso uma variante da fenciclidina, mais conhecida como PCP, sem a utilização de quaisquer padrões de referência.

O algoritmo NPS-MS utiliza um conjunto de dados de 1.872 espectrógrafos para fazer referência cruzada de 624 novas substâncias psicoativas.

“Com o aprendizado de máquina, não há limitações quanto ao número de compostos que podemos coletar para um conjunto de dados”, diz Wang.

Wang diz que cerca de 40.000 moléculas têm dados de espectrometria de alta resolução disponíveis para equipes forenses fazerem referências cruzadas de substâncias desconhecidas, observando que bancos de dados contendo mais das cerca de 100 milhões de substâncias químicas conhecidas podem ser caros para os laboratórios obterem.

"O NPS-MS reduzirá bastante a quantidade de trabalho envolvido nos laboratórios."

O trabalho está publicado na revista Analytical Chemistry .

Mais informações: Fei Wang et al, Deep Learning-Enabled MS/MS Spectrum Prediction Facilita Identificação Automatizada de Novas Substâncias Psicoativas, Química Analítica (2023). DOI:10.1021/acs.analchem.3c02413
Informações do diário: Química Analítica

Fornecido pela Universidade de Alberta