近年來，作為新型毒品的新精神活性物質（NPS）大量出現在非法市場上。 由於這些物質的化學多樣性及其新穎性，要識別它們具有很大挑戰。 最近，加拿大和美國研究者一種自動化、生成式的機器學習方法，可以僅利用質譜就確定未知的新精神活性物質的化學結構。 而了解這些結構將能幫助識別疑似的人造毒品。

“我們的方法可以把識別新設計的毒品所需的時間從數周數月減少到數小時。 説明法醫化學家更快識別新人造毒品可以説明挽救生命。 “主要研究者之一、加拿大英屬哥倫比亞大學博士Michael A. Skinnider對澎湃新聞記者表示，”我們的工作還體現了一個更基本的進步：我們可以只用質譜數據闡明新的化學結構，這在之前被認為是基本無法解決的問題。 ”

相關成果於當地時間11月15日發表在國家知名學術期刊《自然-機器智慧》上，論文標題為”A deep generative model enables automated structure elucidation of novel psychoactive substances”。

新精神活性物質通常是通過對現有毒品的化學結構稍加修改而產生的，這些物質會造成與大麻等已知毒品相近的精神效果，諸如合成大麻素（”香料”）、合成卡西酮（”浴鹽”）、迷幻色胺和苯乙胺、合成阿片類藥物等。

研究者表示，新精神活性物質是一些人在實驗室秘密合成的。 由於毒品製造者不斷琢磨出新的物質，而且難以監管到，新毒品大約以每週一種的速度進入”灰色市場”。

實際上，新精神活性物質的藥理學和毒理學尚未得到很好的表徵，其中許多與危及生命的中毒症和死亡有關，而且給公共衛生系統帶來負擔。

然而，識別新精神活性物質的工作並不容易。 首先，新精神活性物質之間結構具有高度相似性。 第二，新化合物進入灰色市場的速度太快，這需要為以前未知的物質開發新的檢測方法。 此外，檢測需要大量時間精力，而這種毒品的新穎性意味著參考的分析材料稀少。

據Skinnider介紹，他們開發了一種識別剛出現在非法市場的新設計毒品的AI工具。 該工具叫做”DarkNPS”，是一個支援深度學習的系統。

“這項工具可以做兩件事。” Skinnider表示，第一是預測不久將來可能出現在非法市場上的未知的新型毒品的化學結構，第二是使用質譜分析技術，闡明剛出現在非法市場上的新型毒品的完整化學結構。

研究人員使用全球各地法醫實驗室的已知精神活性物質資料庫來訓練人工智慧演算法來瞭解這些藥物的結構。 他們使用的演算法叫做「深度神經網路」 其靈感來自於人腦的結構和功能。

基於此訓練，該模型生成了大約890萬種潛在的人造毒品。 模型訓練后，研究者將非法市場上出現的196種新人造毒品進行測試，發現其中超過90%的新型毒品在模型生成的種類中。

就是說，這個模型能夠預測自模型訓練以來發現的幾乎所有新毒品。

此外，研究人員發現該模型還能瞭解到哪些毒品更可能出現在市場上，哪些則不太可能出現。

研究人員將196種新精神活性物質的每一種都進行了測試。 研究人員發現，他們的模型在72%的情況下，能將一種未知毒品的正確化學結構排在前十名候選毒品中。 集成串聯質譜數據，可提高到86%。

“該模型表現如此出色令我們震驚。 因為僅通過精確的質量測量來闡明整個化學結構通常被認為是一個無法解決的問題。 將數十億個結構的清單縮小到10個候選結構，可以大大加快化學家識別新設計藥物的速度。 “Skinnider表示。

Skinnider 表示，如果可以將相同的基本演算法擴展到其他類型的分子，如人類血液或尿液中的分子，我們就可以自動識別隱藏在顯眼處的其他醫學上重要的新分子。

“我們知道，普通人一生中會接觸到約300萬種不同的化學物質。 這些化學物質存在於我們駕駛的汽車、我們住的房子、我們工作的實驗室和辦公室以及我們吃飯的餐館中。 然而，目前，絕大多數這些化學物質仍然未知。 “Skinnider表示，”我們認為，相同的基本方法可用於從質譜數據中自動識別各種新分子，這可能開闢一個全新化學世界。 而現在我們觸手可及。 ”