Una nueva red de convoluciones siamesas profundas para detectar análogos de fentanilo a partir de espectros de masas

Área de la Ciencia:

• Química analítica
• Ciencias forenses
• Química computacional

Sus antecedentes:

• El aumento de las tasas de mortalidad relacionadas con el uso indebido de fentanilo y análogos requiere la mejora de los métodos de detección.
• Los modelos de clasificación existentes luchan con la identificación precisa de diversos análogos de fentanilo debido a su fácil síntesis y rápida aparición.
• La detección de análogos de fentanilo a partir de espectros de masa de impacto de electrones (EI) o de ionización por electrospray (ESI) presenta un desafío significativo.

Objetivo del estudio:

• Proponer una nueva red convolucional siamesa profunda (DSCN) para la clasificación y detección precisas de los análogos del fentanilo.
• Abordar las limitaciones de los modelos actuales de aprendizaje automático y aprendizaje profundo en la identificación de análogos de fentanilo a partir de datos espectrales de masas.
• Mejorar las capacidades de detección de los análogos del fentanilo, especialmente en escenarios con tamaños de muestra limitados.

Principales métodos:

• Aumento de espectros de masa para crear pares espectrales de entrada para la red siamesa.
• Utilizando una red neuronal convolucional 1D (CNN) dentro de la arquitectura siamesa para la extracción efectiva de características espectrales.
• Utilizando una red de clasificación con capas totalmente conectadas (FC) y Softmax para la detección analógica final.
• Combinando las funciones de pérdida de contraste y pérdida de entropía cruzada para el entrenamiento de parámetros DSCN.

Principales resultados:

• El modelo DSCN propuesto demostró un rendimiento superior en la detección de análogos de fentanilo en comparación con otras técnicas establecidas de aprendizaje automático y aprendizaje profundo.
• El DSCN extrae efectivamente las características espectrales pertinentes para distinguir entre los análogos del fentanilo.
• El modelo logró una mayor precisión en las tareas de clasificación que involucran tamaños de muestra pequeños de espectros de masa.

Conclusiones:

• El DSCN desarrollado ofrece una solución prometedora y eficaz para la detección precisa de análogos de fentanilo.
• Este enfoque de aprendizaje profundo mejora significativamente las capacidades de identificación de sustancias ilícitas basadas en el análisis espectral de masas.
• El modelo DSCN tiene potencial de aplicación en la ciencia forense y las iniciativas de salud pública destinadas a combatir la crisis de los opiáceos.