Un modèle génératif profond permet l'élucidation automatique de la structure de nouvelles substances psychoactives

Résumé :

Au cours de la dernière décennie, le marché des drogues illicites a été remodelé par la prolifération de drogues de synthèse produites clandestinement. Ces agents, appelés nouvelles substances psychoactives (NPS), sont conçus pour imiter les actions physiologiques de drogues d'abus mieux connues tout en contournant les lois sur le contrôle des drogues. Le poids de l'abus de NPS sur la santé publique oblige les laboratoires de toxicologie, de police et des douanes à les dépister dans les saisies et les échantillons biologiques des forces de l'ordre. Cependant, l'identification des NPS émergents est difficile en raison de la diversité chimique de ces substances et de la nature fugace de leur apparition sur le marché illicite. Nous présentons ici DarkNPS, une approche basée sur l'apprentissage profond pour élucider automatiquement les structures de drogues de synthèse non identifiées en utilisant uniquement des données de spectrométrie de masse. Notre méthode utilise un modèle génératif profond pour apprendre une distribution de probabilité statistique sur les structures non observées, que nous appelons la priorité structurelle. Nous montrons que l'antériorité structurelle permet à DarkNPS d'élucider la structure chimique exacte d'un NPS non identifié avec une précision de 51 % et une précision dans le top-10 de 86 %. Notre approche générative a le potentiel de permettre l'élucidation de novo de la structure d'autres types de petites molécules qui sont couramment analysées par spectrométrie de masse.