最強“鑒毒師”？AI超快速鑒定毒品,還可預測新型精神藥物

當下的我們，無疑都享受著科技的福利，感受著科技的魅力，陶醉其中……生活在科技時代的幸福指數不言而喻。

    然而，科技是把雙刃劍，用好了，推動的是社會進步，用不好，刺傷的便是人類自己。

    近年來，就有這樣一伙不法分子，濫用科技推動毒品的升級換代。被聯合國禁毒署定性為“新精神活性物質”（NPS,Newpsychoactivesubstances）的第三代毒品就大量的出現在非法市場上，其化學物質多樣性、高蔓延性、互聯網化等特征，給禁毒工作帶來了極大的沖擊和困難。

    那么，隨著機器學習（ML,MachineLearning）的不斷發展，對這項重任而言，能否助其一臂之力呢？

    就在近日，Nature旗下的專業學術期刊NatureMachineIntelligence發表了一項計算生物學的重要突破，論文標題為“Adeepgenerativemodelenablesautomatedstructureelucidationofnovelpsychoactivesubstances”。主要團隊是加拿大英屬哥倫比亞大學（UBC,UniversityofBritishColumbia）的一個小組。

    在這項成果中，研究團隊研發了一種自動化、生成式的ML方法，實現了僅利用質譜就確定未知的NPS的化學結構。

    人類的公共衛生事業，有望迎來新的得力助手。

    阻止NPS進入“灰色市場”已迫在眉睫

    今年早些時候，歐盟刑事司法合作署（Eurojust）發布了一份報告，討論了“人造毒品”生產的急劇增長，給歐洲各地的檢察官所帶來的法律挑戰。

    報告列舉了僅由該機構處理的562起跨境毒品販運案件，強調了合成和其他設計毒品便占了近三分之一。

    在COVID-19的大流行期間，這一現象更是有所增加。比如，美國因非法麻醉藥過量致死的人數增加了6倍。

    因此，世界各地的執法部門都在探索一些具備前瞻性的方案，必須在這些藥物上市之前就有所準備。

    NPS又稱為策劃藥或實驗室毒品，通常是在現有毒品的化學結構上稍加修改而產生的，是不法分子為逃避打擊和規避監管而對管制毒品進行化學結構修飾而得到的毒品類似物，具有與管制毒品相似或更強的興奮、致幻、麻醉等效果，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。

    最可怕的是，NPS是個十足的“偽裝者”，給人一種無害的假象，在傳播過程中往往被“包裝”成無害、無成癮性，目的是打消接觸者的警惕，尤其是針對充滿好奇心的青少年群體。

    因此，NPS不僅對個人的神經系統的損害特別大，還會造成嚴重的社會問題和公共衛生問題。

    顯然，采取必要措施識別、監管、阻斷已刻不容緩。

    圖丨此次研究的高可信度結構解析

    UBC的研究人員訓練計算機在下一種設計藥物上市前就對其進行預測，以最大限度挽救生命。執法機構也在沖破重重阻礙，競相識別和監管危險精神活性藥物的新版本。

    從被查封的藥片或粉末中確定這些所謂的“合法興奮劑”可能需要幾個月的時間，然而在此期間，成千上萬的人可能已經使用了一種新的特制藥物，所以，其危害之大可想而知。

    Skinnider表示，“這是全世界急診部門關注的一個主要公共健康問題”。由于毒品制造者不斷琢磨出新的物質，而且難以監管到，新毒品大約以每周一種的速度進入“灰色市場”。

    好在新的研究已幫助世界各地的執法機構有效的縮短了鑒定時間，這對鑒定和監管NPS至關重要。

    研發識別新設計毒品的AI工具——DarkNPS

    一批科學家將目光聚焦到了AI身上。

    圖丨新型精神活性物質的深度生成模型

    在這篇論文中，UBC研究團隊研發了一種名為DarkNPS的工具，這是一款支持深度學習的系統。通過AI工具進行簡單的分析，以快速提取NPS中化學結構的可能分子結構。

    該工具可以完成兩件事。其一，預測不久的將來，可能出現在非法市場上的未知的新型毒品的化學結構；其二，使用質譜技術，闡明剛出現在非法市場上的新型毒品的完整化學結構。

    Skinnider和同事使用世界各地法醫實驗室眾包的保密數據，以訓練ML模型，產生結構和性質類似于近期人造毒品的分子，其靈感源自人類大腦的結構和功能。

    其中，訓練集包括每種藥物的串聯質譜結果，即翻譯并分析部門重組蛋白數據，可以獲得有關分子質量以及包含元素的信息。顯然，AI便能夠識別出串聯質譜數據和化學結構間的模式信息。

    隨后，該模型產生了一個包含十億種潛在新型精神藥物的結構數據庫。

    然后，這些分子與196種新的設計藥物進行測試，這些藥物是在模型經過訓練后出現在非法市場上的。研究人員發現，在生成的樣本中，有超過90%的樣本真實存在。

    最后研究團隊得出結論，利用模型訓練結束后新收集的數據測試該模型發現，該方法可以僅用質譜就確定未知人造毒品。此外，在準確結構難以精確確定的實例中，該模型所建議的結構，與未知的人造毒品非常相似。

    正如主要研究者之一的Skinnider所表示的，“借助AI技術，我們的方法可以把識別新設計的毒品所需的時間從數周或數月，縮減到數小時，幫助法醫實驗室更快地識別新人造毒品，以幫助挽救生命。”

    現在，還有一個問題：這個模型能否從零開始識別完全未知的物質，而不是根據一組數據進行預測？

    LeonardFoster博士表示：“我們想知道，是否可以利用這種可能性來確定一種未知的藥物是什么，僅僅基于它的質量——化學家很容易用質譜法來測量任何藥片或粉末。”

    因此，研究人員利用196種新型合成藥物的數據集來驗證這一假設。

    僅使用質量，該模型就能以72%的準確率列出了十大最受歡迎藥物的化學結構。給定一種先前未知的NPS的串聯質譜數據，DarkNPS可以猜測其分子結構，準確率約為51%，如果AI能夠對其分子結構的前10項進行預測，那么，準確率會提升至86%！可以說，該模型能夠預測幾乎所有新發現的藥物。

    除此之外，研究人員發現，該模型還可以了解到哪些毒品更可能出現在市場上，哪些則不太可能出現。

    Skinnider表示，“該模型如此出色的表現著實令我們為之震驚。因為僅通過精確的質量測量來闡明整個化學結構，往常被認為是一個遙不可及的問題。將數十億個結構的列表縮小到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。”

    資深研究者、阿爾伯塔大學計算科學教授DavidWishart博士表示，“事實上，我們可以在設計毒品真正出現之前就預測它們可能會出現在市場上，這有點類似于2002年的科幻電影《少數派報告》（MinorityReport）。在該影片中，正是因為對即將發生的犯罪活動的預見，從而幫助顯著減少了未來世界的犯罪。”

    他還說道，“從本質上講，這一研究成果讓執法機構和公共衛生項目對秘密化學家提供了一個所謂的‘先機’，讓他們知道應該注意什么。”

    同樣讓人興奮的是，雖然這一次該技術被用于鑒定藥物，但它完全可以擴展到其他分子結構的研究。

    據Skinnider表示，用其他數據集訓練的類似生成方法，也可以幫助識別其他特定領域未知分子的結構，例如識別新型興奮劑或者環境污染物等。

    并且，他總結道：“現在，存在著一個化學‘暗物質’的世界，就存在于我們的指尖之外……我認為，正確的AI工具埋藏著巨大的潛力，以照亮這個未知的化學世界。”