整合先进的新陈代谢学和机器学习用于人类运动员的反兴奋剂

科学领域:

• 运动科学 运动科学
• 生物化学 生物化学
• 计算生物学是一种计算生物学.

背景情况:

• 运动中的兴奋剂仍然是一个重大挑战,需要先进的检测策略.
• 传统的兴奋剂检测方法主要用于法医目的,通过直接识别禁止物质.
• 代谢学为外源性化合物和内源性生理变化提供了互补的见解,可能将检测范围扩展到直接药物存在之外.

研究的目的:

• 为反兴奋剂工作审查代谢学与AI和ML的整合.
• 探索如何代谢学可以揭示生理变化暗示的兴奋剂.
• 突出计算工具在分析复杂的新陈代谢数据中的作用,以进行运动员分析.

主要方法:

• 利用像UHPLC-HRMS和NMR这样的高吞吐量平台来获取代谢数据.
• 采用有针对性和非有针对性的新陈代谢工作流程来进行全面的分析.
• 应用机器学习算法 (监督和无监督) 进行模式识别,分类和异常检测.

主要成果:

• 代谢学数据集,当用ML分析时,可以有效地区分使用兴奋剂和清洁运动员的个人资料.
• 人工智能和机器学习提高了兴奋剂查的敏感性和特异性,优化了资源配置.
• 案例研究表明,通过间接标记和扩展检测窗口,可以检测r-HuEPO和类固醇等兴奋剂.

结论:

• 整合代谢学和ML为反兴奋剂的传统法医测试提供了一种强大的,互补的方法.
• 这些技术可以通过间接的生理标记来识别兴奋剂,并提供扩展的检测能力.
• 未来的进步需要跨学科的合作和开放的数据基础设施,以提高公平竞争和运动员的福祉.