Modelos de bosque aleatorio clasifican con precisión opioides sintéticos utilizando conjuntos de datos de...

Área de la Ciencia:

• Química Analítica
• Química Computacional
• Ciencia Forense

Sus antecedentes:

• La detección no dirigida de estructuras químicas desconocidas, como los nuevos opioides sintéticos, es un desafío importante.
• El aprendizaje automático (ML) ofrece potencial para desarrollar métodos analíticos de amplio espectro para la identificación de agentes de amenaza.
• Los métodos existentes luchan con el vasto y cambiante panorama de las posibles amenazas químicas.

Objetivo del estudio:

• Desarrollar y validar modelos de aprendizaje automático para la clasificación no dirigida de opioides sintéticos.
• Evaluar la eficacia de los algoritmos de regresión logística y bosque aleatorio utilizando datos de espectrometría de masas.
• Establecer una base para herramientas analíticas desplegables en el campo para la detección de amenazas emergentes.

Principales métodos:

• Se utilizaron datos de espectrometría de masas nominales y de alta resolución de cientos de opioides sintéticos y compuestos no opioides.
• Se entrenaron y validaron modelos de aprendizaje automático de regresión logística y bosque aleatorio.
• Se evaluó el rendimiento del modelo en función de la precisión, las tasas de falsos positivos y falsos negativos.

Principales resultados:

• Los modelos de bosque aleatorio lograron una precisión de validación superior al 95% en la clasificación de opioides frente a no opioides.
• Tanto los datos de espectrometría de masas nominales como los de alta resolución fueron efectivos con el bosque aleatorio.
• Los modelos de bosque aleatorio desarrollados predijeron con precisión la clasificación de compuestos previamente no vistos.

Conclusiones:

• Los modelos de bosque aleatorio demuestran alta precisión y bajas tasas de error para la detección de opioides utilizando espectrometría de masas.
• El análisis impulsado por ML es crucial para desarrollar instrumentos prácticos y desplegables en el campo para identificar amenazas químicas emergentes.
• Este enfoque apoya el cribado de amplio espectro de mezclas complejas que contienen agentes de amenaza desconocidos.