Des chercheurs entraînent des ordinateurs à prédire les prochaines drogues de synthèse

Des chercheurs de l'UBC forment des ordinateurs à prédire les prochaines drogues de synthèse

Des chercheurs de l’UBC ont formé des ordinateurs pour prédire les prochaines drogues de synthèse avant même qu’elles ne soient sur le marché. Crédit : Raimond Klavins sur Unsplash

Des chercheurs de l’UBC ont formé des ordinateurs pour prédire les prochains médicaments de synthèse avant même qu’ils ne soient sur le marché, une technologie qui pourrait sauver des vies.

Les forces de l’ordre sont dans une course pour identifier et réglementer de nouvelles versions de drogues psychoactives dangereuses telles que les sels de bain et les opioïdes synthétiques, alors même que les chimistes clandestins s’efforcent de synthétiser et de distribuer de nouvelles molécules ayant les mêmes effets psychoactifs que les drogues classiques d’abus.

L’identification de ces soi-disant « euphories légales » dans les pilules ou les poudres saisies peut prendre des mois, au cours desquels des milliers de personnes peuvent avoir déjà utilisé une nouvelle drogue de synthèse.

Mais de nouvelles recherches aident déjà les forces de l’ordre du monde entier à réduire le temps d’identification de quelques mois à quelques jours, crucial dans la course à l’identification et à la réglementation de nouvelles versions de drogues psychoactives dangereuses.

« La grande majorité de ces drogues de synthèse n’ont jamais été testées chez l’homme et ne sont absolument pas réglementées. Elles constituent un problème majeur de santé publique pour les services d’urgence du monde entier », a déclaré le Dr Michael Skinnider, étudiant en médecine à l’UBC, qui a terminé la recherche en tant que doctorant. étudiant aux laboratoires Michael Smith de l’UBC.

UNE Rapport minoritaire pour les nouvelles drogues de synthèse

Le Dr Skinnider et ses collègues ont utilisé une base de données de substances psychoactives connues fournies par des laboratoires médico-légaux du monde entier pour former un algorithme d’intelligence artificielle sur les structures de ces drogues. L’algorithme qu’ils ont utilisé, connu sous le nom de réseau de neurones profonds, s’inspire de la structure et de la fonction du cerveau humain.

Sur la base de cette formation, le modèle a ensuite généré environ 8,9 millions de drogues de synthèse potentielles.

Ces molécules ont ensuite été testées contre 196 nouvelles drogues de synthèse apparues sur le marché illicite après la formation du modèle. Les chercheurs ont découvert que plus de 90 pour cent étaient présents dans l’ensemble généré.

En d’autres termes, le modèle était capable de prédire presque tous les nouveaux médicaments découverts depuis sa formation.

“Le fait que nous puissions prédire quelles drogues de synthèse sont susceptibles d’émerger sur le marché avant qu’elles n’apparaissent réellement, c’est un peu comme le film de science-fiction de 2002, Rapport minoritaire, où la connaissance préalable des activités criminelles sur le point d’avoir lieu a permis de réduire considérablement la criminalité dans un monde futur », explique l’auteur principal, le Dr David Wishart (il/lui), professeur d’informatique à l’Université de l’Alberta.

« Essentiellement, notre logiciel donne aux organismes chargés de l’application de la loi et aux programmes de santé publique une longueur d’avance sur les chimistes clandestins et leur permet de savoir ce qu’il faut rechercher. »

Identification en jours au lieu de mois

Cela laissait encore le problème de savoir comment identifier facilement des substances complètement inconnues.

Les chercheurs ont découvert que le modèle avait également appris quelles molécules étaient les plus susceptibles d’apparaître sur le marché et lesquelles étaient moins probables. « Nous nous sommes demandé si nous pouvions utiliser cette probabilité pour déterminer ce qu’est un médicament inconnu, basé uniquement sur sa masse, ce qui est facile à mesurer pour un chimiste pour n’importe quelle pilule ou poudre en utilisant la spectrométrie de masse », explique le Dr Leonard Foster (il/lui), professeur au département de biochimie de l’UBC et expert internationalement reconnu en spectrométrie de masse.

Les chercheurs ont testé cette hypothèse en utilisant chacune des 196 nouvelles drogues de synthèse. En utilisant uniquement la masse, les chercheurs ont découvert que leur modèle classait la structure chimique correcte d’un médicament de synthèse non identifié parmi les 10 meilleurs candidats 72 pour cent du temps. L’intégration des données de spectrométrie de masse en tandem, une autre mesure facile à obtenir, a amélioré ce chiffre à 86 %. Lorsqu’il s’agissait d’une seule supposition, le modèle pouvait prédire la structure correcte 51% du temps.

“Cela nous a choqué que le modèle fonctionne aussi bien, car élucider des structures chimiques entières à partir d’une simple mesure de masse précise est généralement considéré comme un problème insoluble. Et réduire une liste de milliards de structures à un ensemble de 10 candidats pourrait massivement accélérer le rythme auquel les nouvelles drogues de synthèse peuvent être identifiées par les chimistes », note le Dr Skinnider.

Le même type de modèle pourrait être utilisé pour découvrir toutes sortes de nouvelles molécules, ajoute le Dr Skinnider, de l’identification de nouveaux médicaments améliorant la performance pour le dopage sportif à l’identification de molécules auparavant inconnues dans le sang et l’urine humains.

« Il existe actuellement tout un monde de ‘matière noire’ chimique juste au-delà de nos doigts. Je pense qu’il existe une énorme opportunité pour que les bons outils d’IA mettent en lumière ce monde chimique inconnu “, déclare le Dr Skinnider.

Distribué en toute sécurité par le Novel Psychoactive Substance Data Hub, le modèle UBC est utilisé par la Drug Enforcement Agency des États-Unis, l’Office des Nations Unies contre la drogue et le crime, l’Observatoire européen des drogues et des toxicomanies et l’Office fédéral de la police criminelle d’Allemagne.

L’étude “Un modèle génératif profond permet l’élucidation automatisée de la structure de nouvelles substances psychoactives” a été publiée dans Nature Machine Intelligence.


Les applications d’apprentissage automatique ont besoin de moins de données que prévu


Plus d’information:
Michael Skinnider, Un modèle génératif profond permet l’élucidation automatisée de la structure de nouvelles substances psychoactives, Nature Machine Intelligence (2021). DOI : 10.1038/s42256-021-00407-x. www.nature.com/articles/s42256-021-00407-x

Fourni par l’Université de la Colombie-Britannique

Citation: Des chercheurs entraînent des ordinateurs à prédire les prochaines drogues de synthèse (2021, 15 novembre) récupéré le 15 novembre 2021 sur https://techxplore.com/news/2021-11-drugs.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.