一个深度学习模型,用于高效的新精神活性物质的非目标查,使用桌面核磁共振设备

科学领域:

• 分析化学 分析化学
• 计算化学计算化学
• 法医科学 法医科学 法医科学

背景情况:

• 桌面核磁共振 (NMR) 设备提供快速的现场检测新精神活性物质 (NPS),对于打击非法毒品贩运至关重要.
• 基准NMR的低信号噪声比率和有限的数据集挑战了准确的识别,特别是在复杂的混合物中.
• 传统的机器学习模型在NPS检测的低信号对噪声条件下表现不佳.

研究的目的:

• 开发一种深度学习模型,用于使用基准NMR数据对NPS进行非有针对性的查.
• 提高NPS检测在具有挑战性的低信号对噪声环境中的准确性和稳定性.
• 加强执法和海关的实时选能力.

主要方法:

• 提出了NMR4NPScreen,这是一个具有道注意力增强架构的深度学习模型.
• 实施了基于化学的预处理和对比预训练,将NMR光谱与SMILES表示对齐.
• 利用基准NMR数据进行模型的训练和验证.

主要成果:

• 在分类九个不同的NPS类别中获得了94.8%的准确性,超过了传统的机器学习方法.
• 在复杂的混合物中检测NPS方面表现出高度的稳定性.
• 在低信号对噪声条件下成功增强了光谱特征提取.

结论:

• NMR4NPScreen有效地克服了用于NPS检测的基准NMR数据的局限性.
• 该模型的性能为基于NMR的药物查中先进的神经网络应用铺平了道路.
• 这一进步显著提高了移动检查站和海关的实时NPS检测能力.