機(jī)器學(xué)習(xí)輔助非靶向篩查策略用于芬太尼類物質(zhì)識(shí)別鑒定的研究進(jìn)展

曹宇奇，施妍，向平，郭寅龍

1.中國(guó)科學(xué)院上海有機(jī)化學(xué)研究所 金屬有機(jī)化學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室，上海 200032；2.司法鑒定科學(xué)研究院 上海市法醫(yī)學(xué)重點(diǎn)實(shí)驗(yàn)室 司法部司法鑒定重點(diǎn)實(shí)驗(yàn)室 上海市司法鑒定專業(yè)技術(shù)服務(wù)平臺(tái)，上海 200063

1960 年，研究人員發(fā)現(xiàn)了一種新型的合成阿片類物質(zhì)并取名為芬太尼[1]。芬太尼具有比嗎啡強(qiáng)100 倍的鎮(zhèn)痛作用，最初作為一種良好的鎮(zhèn)痛劑應(yīng)用于手術(shù)。然而近些年來(lái)，芬太尼類物質(zhì)的非法濫用問(wèn)題愈發(fā)突出，已經(jīng)成為一個(gè)嚴(yán)重的社會(huì)問(wèn)題[2]。芬太尼類物質(zhì)具有很強(qiáng)的精神活性作用，操作不當(dāng)極易過(guò)量，造成使用者死亡的后果[3-4]。由于監(jiān)管政策的日趨嚴(yán)格和檢測(cè)技術(shù)的逐步提升，許多傳統(tǒng)的芬太尼類物質(zhì)已經(jīng)難覓蹤跡。然而，不法分子通過(guò)結(jié)構(gòu)修飾、官能團(tuán)改變等手段不斷制造出化學(xué)結(jié)構(gòu)不同但具有與芬太尼類似精神活性的化合物以逃避監(jiān)管[5]。因此，對(duì)于芬太尼類物質(zhì)如何進(jìn)行快速有效的檢測(cè)和處置，已經(jīng)成為目前精神活性物質(zhì)監(jiān)管領(lǐng)域的研究熱點(diǎn)之一。

目前，對(duì)于未知樣品中芬太尼類物質(zhì)的檢測(cè)主要遵循以下流程。首先，分析人員預(yù)先設(shè)定一些芬太尼類物質(zhì)作為檢測(cè)目標(biāo)，使用多種手段獲取這些物質(zhì)的標(biāo)準(zhǔn)品在各種檢測(cè)儀器中的信息。然后，通過(guò)各種檢測(cè)技術(shù)如質(zhì)譜、拉曼光譜、核磁共振（nuclear magnetic resonance，NMR）波譜[6]和紅外光譜[7]等傾向性地搜尋樣品中與檢測(cè)目標(biāo)相關(guān)的化合物信息。最后，將得到的譜圖與檢測(cè)目標(biāo)的標(biāo)準(zhǔn)品譜圖進(jìn)行比對(duì)從而完成整個(gè)分析過(guò)程[8]。這種實(shí)驗(yàn)流程整體上基于靶向篩查策略，對(duì)于標(biāo)準(zhǔn)品較為依賴，同時(shí)需要對(duì)目標(biāo)芬太尼類物質(zhì)的化學(xué)結(jié)構(gòu)有一定了解，比較適用于已知芬太尼類物質(zhì)的檢測(cè)分析。然而，快速迭代的新型芬太尼類物質(zhì)給廣泛應(yīng)用的靶向篩查策略帶來(lái)了巨大挑戰(zhàn)[9]。其一，分析人員對(duì)于新型芬太尼類物質(zhì)的化學(xué)結(jié)構(gòu)及各類譜圖信息知之甚少，且短期內(nèi)難以獲得合適的標(biāo)準(zhǔn)物質(zhì)。其二，新型芬太尼類物質(zhì)經(jīng)過(guò)結(jié)構(gòu)修飾，其化學(xué)性質(zhì)以及在各種檢測(cè)儀器中的譜圖信息都發(fā)生了較大改變，已開(kāi)發(fā)的靶向篩查方法難以捕捉樣品中這類物質(zhì)的相關(guān)信息。因此，亟須開(kāi)發(fā)新型的非靶向篩查策略更加快速準(zhǔn)確地識(shí)別未知樣品中的新型芬太尼類物質(zhì)。

近年來(lái)，隨著計(jì)算機(jī)算力的大幅提升，機(jī)器學(xué)習(xí)領(lǐng)域發(fā)展迅猛[10]，尤其是2012年神經(jīng)網(wǎng)絡(luò)模型AlexNet[11]以高于第二名將近10%的準(zhǔn)確率獲得ImageNet 視覺(jué)識(shí)別大賽冠軍后，掀起了各類機(jī)器學(xué)習(xí)模型的研究熱潮。迄今，機(jī)器學(xué)習(xí)模型的應(yīng)用已不再局限于計(jì)算機(jī)視覺(jué)、模式識(shí)別、圖像分割等經(jīng)典問(wèn)題，而是廣泛滲透入各行各業(yè)的數(shù)據(jù)分析中，在新精神活性物質(zhì)篩查以及代謝機(jī)制研究領(lǐng)域也有廣泛應(yīng)用[12-14]。相比傳統(tǒng)的數(shù)據(jù)分析手段，機(jī)器學(xué)習(xí)模型最大的優(yōu)勢(shì)在于其具有從海量數(shù)據(jù)中自動(dòng)提取特定趨勢(shì)和特征的能力。研究人員在進(jìn)行分析工作時(shí)無(wú)需事先根據(jù)現(xiàn)有經(jīng)驗(yàn)對(duì)數(shù)據(jù)做過(guò)多的預(yù)處理工作，特征提取和模型優(yōu)化過(guò)程都交給機(jī)器本身。這一優(yōu)勢(shì)在數(shù)據(jù)量巨大、對(duì)數(shù)據(jù)本身結(jié)構(gòu)缺乏了解或是憑借經(jīng)驗(yàn)難以歸納出較為顯著的數(shù)據(jù)特征的情況下尤為有效。

與此同時(shí)，各種檢測(cè)儀器的性能指標(biāo)也有著巨大的進(jìn)步。以質(zhì)譜為例，質(zhì)譜儀器（包括三重四極桿質(zhì)譜[15]、飛行時(shí)間質(zhì)譜[16]以及線性離子阱質(zhì)譜[17]等）對(duì)于樣品檢測(cè)的靈敏度和譜圖采集速度都有著顯著的提升[18]。同時(shí)，包括超臨界流體色譜、氣相色譜[19]、液相色譜[20]等在內(nèi)的色譜分離技術(shù)亦有突破，對(duì)于復(fù)雜樣品的分析效率明顯提高，單次分析時(shí)間縮短，所需樣品量也大幅減少。這些技術(shù)的進(jìn)步使得針對(duì)未知樣品的大規(guī)模非靶向數(shù)據(jù)采集成為可能。研究人員無(wú)需事先積累大量經(jīng)驗(yàn)針對(duì)樣品設(shè)定檢測(cè)目標(biāo)，而是通過(guò)儀器所提供的非靶向數(shù)據(jù)采集模式，盡可能多地對(duì)樣品中所包含的各種化合物信息進(jìn)行采集[21]。

非靶向數(shù)據(jù)采集模式帶來(lái)了樣品分析數(shù)據(jù)量的指數(shù)級(jí)增長(zhǎng)，結(jié)合機(jī)器學(xué)習(xí)技術(shù)方能高效挖掘其中有價(jià)值的信息。本文從新型芬太尼類物質(zhì)的特點(diǎn)及分類，各種機(jī)器學(xué)習(xí)模型的原理及適用范圍，以及機(jī)器學(xué)習(xí)技術(shù)在芬太尼類物質(zhì)數(shù)據(jù)分析中的應(yīng)用等方面，闡述目前機(jī)器學(xué)習(xí)輔助非靶向篩查策略用于芬太尼類物質(zhì)識(shí)別鑒定的研究進(jìn)展，并展望其未來(lái)發(fā)展趨勢(shì)。

1 芬太尼類物質(zhì)的特點(diǎn)及分類

芬太尼類物質(zhì)的化學(xué)結(jié)構(gòu)如圖1 所示。以構(gòu)效關(guān)系理論為基礎(chǔ)，通過(guò)對(duì)芬太尼化學(xué)結(jié)構(gòu)中的不同部分進(jìn)行結(jié)構(gòu)修飾，可獲得不同類型的新型芬太尼類物質(zhì)[5，22]。研究人員將芬太尼類似物按照結(jié)構(gòu)修飾位置和類型的不同進(jìn)行分類[23-24]。

圖1 部分芬太尼類物質(zhì)的化學(xué)機(jī)構(gòu)Fig.1 Chemical structure of some fentanyl analogs

圖1A 中芬太尼的化學(xué)結(jié)構(gòu)被分為5 個(gè)結(jié)構(gòu)域。一般來(lái)說(shuō)，新型的芬太尼類物質(zhì)會(huì)對(duì)這5 個(gè)部分中的1 個(gè)或多個(gè)位置進(jìn)行結(jié)構(gòu)修飾。結(jié)構(gòu)修飾位點(diǎn)越多，該物質(zhì)整體化學(xué)結(jié)構(gòu)與芬太尼差異越大，所得各種儀器檢測(cè)數(shù)據(jù)與芬太尼相似度越低。根據(jù)結(jié)構(gòu)修飾位點(diǎn)數(shù)量的差異，將芬太尼類物質(zhì)分為Ⅰ～Ⅴ型。

1.1 Ⅰ型芬太尼類物質(zhì)

Ⅰ型芬太尼類物質(zhì)與芬太尼相比，整體化學(xué)結(jié)構(gòu)改變不大，主要從5 個(gè)結(jié)構(gòu)域（圖1A 的a～e）中選取1 個(gè)部分進(jìn)行結(jié)構(gòu)修飾。圖1B 列舉了部分Ⅰ型芬太尼類物質(zhì)的化學(xué)結(jié)構(gòu)，整體上在結(jié)構(gòu)域e 處進(jìn)行官能團(tuán)修改較為多見(jiàn)，同時(shí)結(jié)構(gòu)域a、b、c、d 處也常被修改。Ⅰ型芬太尼類物質(zhì)由于結(jié)構(gòu)修飾幅度較小，整體藥理作用和體內(nèi)代謝機(jī)制與芬太尼類似，同時(shí)其在各種檢測(cè)儀器中得到的數(shù)據(jù)譜圖與芬太尼相似度較高。

1.2 Ⅱ型芬太尼類物質(zhì)

Ⅱ型芬太尼類物質(zhì)是對(duì)芬太尼的兩個(gè)結(jié)構(gòu)域進(jìn)行結(jié)構(gòu)修飾，整體來(lái)說(shuō)結(jié)構(gòu)變化更大。圖1C 列舉了3 種Ⅱ型芬太尼類物質(zhì)。與Ⅰ型芬太尼類物質(zhì)相比，Ⅱ型芬太尼類物質(zhì)結(jié)構(gòu)修飾幅度更大，但仍然保留了芬太尼整體的分子骨架。在各種儀器中收集的數(shù)據(jù)譜圖與芬太尼相似度較高，具有與芬太尼相似的譜圖特征。

1.3 其他芬太尼類物質(zhì)

隨著監(jiān)管政策的逐步趨緊，針對(duì)芬太尼化學(xué)結(jié)構(gòu)的修飾幅度愈發(fā)增大，從而衍生出一系列Ⅲ～Ⅴ型芬太尼類物質(zhì)。如圖1D 所示，這些化合物雖然以芬太尼為先導(dǎo)化合物，但對(duì)芬太尼中多個(gè)結(jié)構(gòu)域都進(jìn)行了大幅的修飾，甚至對(duì)芬太尼整體結(jié)構(gòu)骨架進(jìn)行了改動(dòng)。許多Ⅲ～Ⅴ型芬太尼類物質(zhì)的藥理作用和體內(nèi)代謝機(jī)制已與芬太尼迥異，且缺乏系統(tǒng)的藥理毒理數(shù)據(jù)，過(guò)量使用所造成的健康風(fēng)險(xiǎn)大大增加。另外，這些物質(zhì)在各種檢測(cè)儀器中所得數(shù)據(jù)和譜圖與芬太尼相似度較低，已建立的大量分析方法難以應(yīng)用于此類物質(zhì)的檢測(cè)，其骨架結(jié)構(gòu)的變化也導(dǎo)致難以總結(jié)出較為通用的經(jīng)驗(yàn)規(guī)律。

2 機(jī)器學(xué)習(xí)模型的原理及適用范圍

機(jī)器學(xué)習(xí)是一類算法模型的總稱，這些算法模型試圖借助計(jì)算機(jī)強(qiáng)大的算力從大量數(shù)據(jù)中發(fā)現(xiàn)隱含的規(guī)律并將其應(yīng)用于數(shù)據(jù)分類和預(yù)測(cè)[10]。機(jī)器學(xué)習(xí)模型通過(guò)模型本身?yè)碛械妮^強(qiáng)的線性或非線性擬合能力以及計(jì)算機(jī)算力所支撐的迭代優(yōu)化過(guò)程，試圖擬合出與實(shí)驗(yàn)數(shù)據(jù)趨勢(shì)最為適合的函數(shù)，從而達(dá)到對(duì)新樣本數(shù)據(jù)進(jìn)行準(zhǔn)確預(yù)測(cè)的目的。機(jī)器學(xué)習(xí)模型主要可以分為監(jiān)督學(xué)習(xí)模型和無(wú)監(jiān)督學(xué)習(xí)模型[25]，其各自的特點(diǎn)和典型算法如下。

2.1 監(jiān)督學(xué)習(xí)模型

監(jiān)督學(xué)習(xí)模型通過(guò)對(duì)已有的訓(xùn)練樣本進(jìn)行訓(xùn)練得到一個(gè)最優(yōu)模型。監(jiān)督學(xué)習(xí)對(duì)訓(xùn)練數(shù)據(jù)都進(jìn)行了標(biāo)注（即打上已知的標(biāo)簽），而學(xué)習(xí)模型的訓(xùn)練目標(biāo)是使模型的輸出值盡可能與訓(xùn)練數(shù)據(jù)的標(biāo)簽達(dá)到一致。模型通過(guò)反復(fù)的訓(xùn)練優(yōu)化并根據(jù)訓(xùn)練數(shù)據(jù)一步步修正模型輸出，最終，模型對(duì)于新的未知樣本也能給出合理的預(yù)測(cè)值。

2.1.1 線性回歸算法和邏輯回歸算法

線性回歸是最為基礎(chǔ)的機(jī)器學(xué)習(xí)算法之一[26]。在線性回歸模型中，將目標(biāo)值預(yù)期看作各個(gè)輸入變量之間的線性組合。簡(jiǎn)單來(lái)說(shuō)，就是尋找一個(gè)線性函數(shù)來(lái)建立已知數(shù)據(jù)中各特征變量與標(biāo)簽值的映射關(guān)系，從而較好地對(duì)未知數(shù)據(jù)進(jìn)行預(yù)測(cè)。邏輯回歸是一種廣義上的線性回歸模型，算法層面與多元線性回歸模型有很多相似之處[27]。最大的不同之處在于所尋找的擬合函數(shù)并不直接由輸入變量的線性函數(shù)決定，而是結(jié)合logistic 函數(shù)（又稱sigmoid 函數(shù)）來(lái)確定。

線性回歸和邏輯回歸算法在多類預(yù)測(cè)問(wèn)題中均有較好的表現(xiàn)。如2019 年倫敦國(guó)王學(xué)院的ABBATE教授課題組[28]使用偏最小二乘（partial least square，PLS）回歸分析建立了115 種芬太尼類物質(zhì)與μ-阿片受體之間的定量構(gòu)效關(guān)系模型，為芬太尼類物質(zhì)的分類和確證提供了新的思路。

2.1.2 樸素貝葉斯分類算法

樸素貝葉斯分類算法是一種以貝葉斯定理為核心、基于概率計(jì)算的機(jī)器學(xué)習(xí)模型。在準(zhǔn)備階段確定特征屬性并獲取訓(xùn)練樣本后，算法分別計(jì)算每個(gè)類別的概率分布并針對(duì)每個(gè)特征屬性計(jì)算劃分的條件概率，最后根據(jù)貝葉斯定理確定樣本數(shù)據(jù)所屬類別[29]。

樸素貝葉斯分類算法已經(jīng)被廣泛應(yīng)用于新精神活性物質(zhì)的分類篩查工作中，并取得了不錯(cuò)的效果。如2021 年悉尼科技大學(xué)的FU 教授課題組[30]建立了針對(duì)阿片類物質(zhì)的非靶向篩查模型，并使用該模型對(duì)3 種類型的阿片類物質(zhì)進(jìn)行分類，整體分類準(zhǔn)確率達(dá)89.5%。

2.1.3 人工神經(jīng)網(wǎng)絡(luò)算法

人工神經(jīng)網(wǎng)絡(luò)算法的發(fā)展在最近十年突飛猛進(jìn)，已經(jīng)成為機(jī)器學(xué)習(xí)領(lǐng)域研究熱度最高的算法之一，并衍生出多個(gè)分支，如卷積神經(jīng)網(wǎng)絡(luò)[31]、循環(huán)神經(jīng)網(wǎng)絡(luò)以及生成式對(duì)抗神經(jīng)網(wǎng)絡(luò)[32]等。如圖2 所示，神經(jīng)網(wǎng)絡(luò)模型主要包括輸入層、隱藏層和輸出層，每一層都由多個(gè)神經(jīng)元組成，各層神經(jīng)元之間通過(guò)激活函數(shù)和權(quán)重系數(shù)相連。上一層每個(gè)神經(jīng)元的值通過(guò)權(quán)重矩陣和激活函數(shù)計(jì)算為下一層各神經(jīng)元賦值，在神經(jīng)網(wǎng)絡(luò)模型中這一過(guò)程被稱為前向傳播。樣本數(shù)據(jù)中每個(gè)特征屬性對(duì)應(yīng)模型輸入層中的一個(gè)神經(jīng)元。神經(jīng)網(wǎng)絡(luò)模型中可根據(jù)實(shí)際問(wèn)題需求包含多個(gè)隱藏層。經(jīng)過(guò)隱藏層計(jì)算，在輸出層輸出最終分類或回歸分析結(jié)果。

圖2 神經(jīng)網(wǎng)絡(luò)模型示意圖Fig.2 Schematic diagram of neural network model

神經(jīng)網(wǎng)絡(luò)算法在芬太尼防控領(lǐng)域也有諸多應(yīng)用。2021 年，DE CHOUDHURY 教授課題組[33]構(gòu)建了一個(gè)神經(jīng)網(wǎng)絡(luò)模型，根據(jù)個(gè)體在網(wǎng)絡(luò)上的發(fā)帖行為對(duì)其芬太尼濫用的可能性進(jìn)行預(yù)測(cè)分析，取得了76%的較高準(zhǔn)確性。

2.1.4 支持向量機(jī)（support vector machine，SVM）算法

SVM 是一種可靠而優(yōu)雅的機(jī)器學(xué)習(xí)模型，具有強(qiáng)大的非線性映射能力[34]。簡(jiǎn)單來(lái)說(shuō)，SVM 的訓(xùn)練過(guò)程就是在嘗試找尋一個(gè)最優(yōu)的決策邊界使得距離兩個(gè)類別最近的樣本相隔距離最遠(yuǎn)。這一決策邊界也被稱為超平面，而樣本中與超平面距離最近的一些點(diǎn)稱為支持向量。雖然近年來(lái)隨著人工神經(jīng)網(wǎng)絡(luò)算法的興盛，SVM 的研究日趨減少，但SVM 有著堅(jiān)實(shí)的數(shù)學(xué)基礎(chǔ)，同時(shí)各種核函數(shù)的運(yùn)用賦予其強(qiáng)大的非線性映射能力，在芬太尼類物質(zhì)管控領(lǐng)域有著十分廣泛的應(yīng)用[35]。

2.2 無(wú)監(jiān)督學(xué)習(xí)模型

對(duì)于包含標(biāo)簽信息的數(shù)據(jù)，可使用監(jiān)督學(xué)習(xí)模型不斷針對(duì)樣本數(shù)據(jù)特征與數(shù)據(jù)標(biāo)簽之間的關(guān)系進(jìn)行擬合，最終得到一個(gè)合適的映射函數(shù)用于新樣本的預(yù)測(cè)。然而在一些特定情況下，研究人員希望直接通過(guò)計(jì)算來(lái)挖掘數(shù)據(jù)中隱含的內(nèi)在聯(lián)系。無(wú)監(jiān)督學(xué)習(xí)模型的目的在于對(duì)這些未經(jīng)標(biāo)注的數(shù)據(jù)進(jìn)行分析，挖掘數(shù)據(jù)本身蘊(yùn)藏的規(guī)律結(jié)構(gòu)[25]。

2.2.1 K 均值聚類算法

K 均值聚類算法于1967 年被提出，其算法思想非常直觀：對(duì)于樣本數(shù)據(jù)集，計(jì)算各樣本間距離。根據(jù)距離大小，將數(shù)據(jù)集分割為k個(gè)組別，使得每組內(nèi)的數(shù)據(jù)點(diǎn)緊密連接（距離最?。M間距離盡可能的大。K 均值聚類算法應(yīng)用廣泛，在芬太尼類物質(zhì)數(shù)據(jù)分析領(lǐng)域也有很好的表現(xiàn)。如2020年，美國(guó)國(guó)家標(biāo)準(zhǔn)與技術(shù)研究院質(zhì)譜數(shù)據(jù)中心的WALLACE 教授課題組[23]建立了44 種Ⅰ型芬太尼類物質(zhì)的電子電離（electron ionization，EI）質(zhì)譜圖相似度數(shù)據(jù)庫(kù)，并使用K 均值聚類算法對(duì)這些芬太尼類物質(zhì)按照譜圖相似度進(jìn)行聚類分析。

2.2.2 主成分分析（principal component analysis，PCA）算法

PCA 算法是最為常用的一種數(shù)據(jù)降維方法，其整體算法思路在于尋找一種線性映射將高維數(shù)據(jù)在低維空間形成映射關(guān)系。PCA 的目的在于尋找一種合適的線性函數(shù)，將高維數(shù)據(jù)投影在低維空間中，并使得數(shù)據(jù)在所投影的維度中盡可能多地保持高維數(shù)據(jù)所帶有的信息[36]。

PCA 算法的基本流程見(jiàn)圖3。數(shù)據(jù)準(zhǔn)備工作與其他算法類似，接著對(duì)各樣本的所有數(shù)據(jù)進(jìn)行中心化操作，計(jì)算協(xié)方差矩陣C。然后，對(duì)于N個(gè)特征計(jì)算其對(duì)應(yīng)于協(xié)方差矩陣C的特征值λ和特征向量u。按照從大到小的原則將特征值λ進(jìn)行排序，根據(jù)設(shè)定的新特征數(shù)目k（一般為2 或3）選取前k個(gè)特征值和特征向量。最終將各個(gè)樣本的原始特征值投影到所選擇的新k個(gè)特征中并進(jìn)行相關(guān)可視化分析，就完成了整個(gè)PCA 過(guò)程。PCA 算法在芬太尼類物質(zhì)各儀器檢測(cè)數(shù)據(jù)分類工作中的應(yīng)用廣泛。如2020 年，MCKEOWN等[37]運(yùn)用高場(chǎng)（300 MHz）和低場(chǎng)（43 MHz）傅里葉變換NMR 波譜結(jié)合PCA 以及正交偏最小二乘-判別分析（partial least square-discriminant analysis，PLS-DA）算法，成功地對(duì)使用3 種合成方法得到的芬太尼前體N-苯乙基-4-哌啶酮和4-苯胺基-N-苯乙基哌啶樣品進(jìn)行了分類。

圖3 PCA 基本流程示意圖Fig.3 Schematic diagram of the basic procedure of PCA

2.2.3 層次聚類算法

層次聚類也是一種應(yīng)用十分廣泛的聚類算法。不同于K 均值聚類，層次聚類不需要選擇初始點(diǎn)或預(yù)先設(shè)定k值。在K 均值聚類中，k值和類別數(shù)目這兩個(gè)參數(shù)的設(shè)定對(duì)于聚類結(jié)果會(huì)產(chǎn)生巨大影響，需要進(jìn)行多次優(yōu)化。層次聚類則對(duì)數(shù)據(jù)點(diǎn)進(jìn)行一層一層聚類，可以在聚類過(guò)程中控制最終的類別數(shù)目。層次聚類的核心算法思想在于不斷計(jì)算各類簇之間的距離（距離計(jì)算有多種方法），每一輪聚類將距離最大的兩個(gè)類簇進(jìn)行拆分或是將距離最小的兩個(gè)類簇進(jìn)行合并。

層次聚類較為靈活，分類結(jié)果直觀，已廣泛應(yīng)用于芬太尼類物質(zhì)的譜圖分類研究中。如2020 年，英國(guó)曼徹斯特城市大學(xué)的GILBERT 等[38]使用PCA 結(jié)合層次聚類算法對(duì)芬太尼類物質(zhì)的EI 譜圖建立自動(dòng)化分類模型，對(duì)于未知芬太尼類物質(zhì)也有著非常高的預(yù)測(cè)準(zhǔn)確性。

3 機(jī)器學(xué)習(xí)技術(shù)在芬太尼類物質(zhì)識(shí)別鑒定中的應(yīng)用

各種儀器分析技術(shù)飛速發(fā)展，研究人員僅需少量樣品便可獲取包含樣品化合物信息的海量譜圖數(shù)據(jù)。對(duì)這些數(shù)據(jù)進(jìn)行合理分析就能幫助研究人員建立更為高效準(zhǔn)確的芬太尼類物質(zhì)識(shí)別鑒定技術(shù)。此外，機(jī)器學(xué)習(xí)技術(shù)的發(fā)展日新月異，已成為大規(guī)模數(shù)據(jù)分析的重要支柱。將機(jī)器學(xué)習(xí)技術(shù)應(yīng)用于芬太尼類物質(zhì)的儀器數(shù)據(jù)分析工作，將對(duì)芬太尼類物質(zhì)的非靶向篩查、大規(guī)模識(shí)別鑒定、代謝機(jī)制研究以及使用風(fēng)險(xiǎn)評(píng)估等領(lǐng)域產(chǎn)生重大影響。

3.1 機(jī)器學(xué)習(xí)結(jié)合質(zhì)譜技術(shù)分析芬太尼類物質(zhì)

質(zhì)譜分析因其分析速度快、檢測(cè)靈敏度高以及化合物兼容性廣，已經(jīng)成為芬太尼類物質(zhì)檢測(cè)的首選分析方法[18，39-41]。質(zhì)譜與各種色譜分離技術(shù)聯(lián)用建立了GC-MS[19]和LC-MS[20]等方法，進(jìn)一步拓寬了質(zhì)譜分析的應(yīng)用范圍，可以對(duì)復(fù)雜的實(shí)際樣本進(jìn)行自動(dòng)化的快速分析。GC-MS 一般使用EI對(duì)化合物進(jìn)行離子化[42]。EI 質(zhì)譜圖穩(wěn)定性高，在不同儀器中重現(xiàn)性高，目前已有專門針對(duì)新型精神活性物質(zhì)的SWGDRUG 質(zhì)譜數(shù)據(jù)庫(kù)。當(dāng)然，GC-MS 也有其自身的局限性，對(duì)于熱不穩(wěn)定或是難揮發(fā)性的化合物分析效果不佳。針對(duì)這些化合物，使用LC-MS 結(jié)合碰撞誘導(dǎo)解離（collision induced dissociation，CID）技術(shù)進(jìn)行串聯(lián)質(zhì)譜分析即可得到化合物的特征碎片信息，輔助化合物結(jié)構(gòu)確證工作。

美國(guó)約翰斯·霍普金斯大學(xué)應(yīng)用物理實(shí)驗(yàn)室的KOSHUTE 等[43]于2022年在Forensic Chemistry上發(fā)表了其最新研究成果。研究人員構(gòu)建了一個(gè)有監(jiān)督機(jī)器學(xué)習(xí)模型以完成通過(guò)EI 譜圖檢測(cè)芬太尼類物質(zhì)的任務(wù)。研究人員收集了3 718 個(gè)精神活性物質(zhì)的EI譜圖，其中包括195 個(gè)芬太尼類物質(zhì)和3 523 個(gè)非芬太尼類物質(zhì)。接下來(lái)，研究人員確定了輸入機(jī)器學(xué)習(xí)模型的數(shù)據(jù)特征。不同于簡(jiǎn)單地將每個(gè)m/z作為一個(gè)特征，該課題組對(duì)每張EI 譜圖都進(jìn)行了處理，確定了12 個(gè)與質(zhì)譜峰相關(guān)的特征和12 個(gè)表征譜圖整體相似度的特征。質(zhì)譜峰相關(guān)特征包含基峰、平均峰強(qiáng)度和出現(xiàn)最頻繁的相鄰質(zhì)譜峰之間的質(zhì)量差值等，而相似度相關(guān)特征主要計(jì)算譜圖與幾種代表性的芬太尼類物質(zhì)譜圖的相似性。模型訓(xùn)練過(guò)程遵循了10 倍交叉驗(yàn)證策略，即將所有輸入的譜圖平均分為10 組，選9 組作為訓(xùn)練數(shù)據(jù)，1 組作為測(cè)試數(shù)據(jù)（不參與訓(xùn)練過(guò)程）。將訓(xùn)練所得的模型應(yīng)用于測(cè)試數(shù)據(jù)來(lái)評(píng)估模型性能。該研究共考察了3 種機(jī)器學(xué)習(xí)模型：邏輯回歸模型、神經(jīng)網(wǎng)絡(luò)模型和隨機(jī)森林模型。邏輯回歸模型采用廣義線性回歸和二分類模式，而神經(jīng)網(wǎng)絡(luò)模型選用了有兩個(gè)隱藏層的淺神經(jīng)網(wǎng)絡(luò)，隨機(jī)森林模型類似于決策樹(shù)算法。完成這3 種機(jī)器學(xué)習(xí)模型的訓(xùn)練后，研究人員將所建立的3 種模型和傳統(tǒng)的數(shù)據(jù)庫(kù)比對(duì)算法模型一起進(jìn)行性能評(píng)估。最終，隨機(jī)森林算法的分類準(zhǔn)確性最高。

2020 年，美國(guó)國(guó)家標(biāo)準(zhǔn)與技術(shù)研究院質(zhì)譜數(shù)據(jù)中心的WALLACE 教授課題組[23]在Forensic Chemistry上發(fā)表了其運(yùn)用機(jī)器學(xué)習(xí)模型計(jì)算譜圖相似度對(duì)芬太尼類物質(zhì)進(jìn)行分類的研究成果。與KOSHUTE 等的研究不同的是，該研究搭建了一種無(wú)監(jiān)督學(xué)習(xí)模型。對(duì)于一系列Ⅰ型或Ⅱ型芬太尼類物質(zhì)的EI 譜圖，該模型能夠根據(jù)譜圖之間的相似度直接對(duì)這些譜圖進(jìn)行聚類分析并將聚類結(jié)果可視化。該研究表明使用無(wú)監(jiān)督學(xué)習(xí)聚類分析對(duì)于未知分子自動(dòng)化結(jié)構(gòu)歸屬具有可行性。接著，研究人員選用了一種新穎的無(wú)監(jiān)督學(xué)習(xí)算法，即多維尺度變換（multidimensional scaling，MDS）[44]。該算法與PCA 類似，是一種強(qiáng)有力的數(shù)據(jù)降維方法，能夠?qū)Ω鲾?shù)據(jù)樣本間的相似度進(jìn)行空間可視化。其算法思想受到SVM 模型和K 均值聚類算法的啟發(fā)，整體算法原理在于通過(guò)計(jì)算成對(duì)樣本間的相似度，將高維數(shù)據(jù)映射到一個(gè)低維空間中，并盡可能地在數(shù)據(jù)映射到低維空間后，保持各數(shù)據(jù)樣本之間的相似度與高維空間一致。MDS 算法被用于將各芬太尼類物質(zhì)的高維EI 譜圖映射到二維空間中，得到一張二維相似度聚類分析圖。MDS 模型分析能夠?qū)⒎姨犷愇镔|(zhì)EI 譜圖分為3 個(gè)組別，結(jié)構(gòu)修飾位點(diǎn)相似的芬太尼類物質(zhì)其譜圖相似度也越高，在聚類分析圖中被劃分為同一組別，驗(yàn)證了該無(wú)監(jiān)督學(xué)習(xí)模型對(duì)EI 譜圖進(jìn)行自動(dòng)化結(jié)構(gòu)預(yù)測(cè)分類的可行性。最后，研究人員提出了一個(gè)根據(jù)可疑芬太尼類物質(zhì)EI譜圖推測(cè)其化學(xué)結(jié)構(gòu)的自動(dòng)化預(yù)測(cè)平臺(tái)。所得可疑芬太尼類物質(zhì)EI 譜圖首先經(jīng)過(guò)一個(gè)芬太尼分類器。該分類器包含兩個(gè)組件：一是通過(guò)計(jì)算與已知結(jié)構(gòu)芬太尼類物質(zhì)譜圖的相似度來(lái)確定與可疑芬太尼類物質(zhì)最為相近的芬太尼類物質(zhì)的化學(xué)結(jié)構(gòu)，通過(guò)閾值設(shè)定判斷其為Ⅰ型或是Ⅱ型芬太尼類物質(zhì)；二是使用構(gòu)建的MDS 聚類模型判斷該可疑芬太尼類物質(zhì)可能的結(jié)構(gòu)修飾位點(diǎn)。最終綜合這兩項(xiàng)結(jié)果給出該可疑芬太尼類物質(zhì)的化學(xué)結(jié)構(gòu)預(yù)測(cè)。

綜合應(yīng)用多種機(jī)器學(xué)習(xí)算法可以進(jìn)一步提高分類準(zhǔn)確性或完成更加復(fù)雜的篩查任務(wù)。2020 年，GILBERT 等[38]首先使用PCA 對(duì)54 種芬太尼類物質(zhì)的EI 譜圖數(shù)據(jù)進(jìn)行降維分析，隨后使用層次聚類模型將這些物質(zhì)分為9 類。所建立的PCA 結(jié)合層次聚類模型具有較強(qiáng)的泛化能力，將其應(yīng)用到67 種芬太尼類物質(zhì)（未包含在模型訓(xùn)練過(guò)程）的分類中，取得了很高的分類準(zhǔn)確度。研究人員首先對(duì)54 張EI 譜圖進(jìn)行初步的數(shù)據(jù)整理，包括截取m/z41～352 的質(zhì)譜信號(hào)并將所有信號(hào)的m/z取整。去除在所有譜圖中強(qiáng)度變化幅度較低的信號(hào)，最終保留了176 個(gè)m/z作為模型輸入特征，并使用R 語(yǔ)言中相應(yīng)的算法包進(jìn)行PCA分析。對(duì)降維結(jié)果進(jìn)行層次聚類分析。最后，67 種不同結(jié)構(gòu)的芬太尼類物質(zhì)被用于模型的性能評(píng)估。研究人員選用了兩種分類標(biāo)準(zhǔn)。第一種，計(jì)算每個(gè)類簇的中心點(diǎn)坐標(biāo)，測(cè)試化合物被分入距離其坐標(biāo)最近的中心點(diǎn)所在類別中；第二種，考察距離測(cè)試化合物坐標(biāo)最近的數(shù)據(jù)點(diǎn)，并將其分入該數(shù)據(jù)點(diǎn)所在類簇。最終，第一種中心點(diǎn)法整體分類準(zhǔn)確率為83.6%，第二種最鄰近點(diǎn)法整體分類準(zhǔn)確率為91.0%。該研究對(duì)于芬太尼類物質(zhì)EI 譜圖的自動(dòng)化分類、譜圖特點(diǎn)以及特征離子的挖掘有重要意義。

機(jī)器學(xué)習(xí)技術(shù)不僅能夠輔助新型未知芬太尼類物質(zhì)質(zhì)譜數(shù)據(jù)的自動(dòng)化分類和相似度計(jì)算等任務(wù)，還能幫助禁毒工作者探索不法分子生產(chǎn)各種芬太尼類物質(zhì)的各種途徑，更加精準(zhǔn)地對(duì)制毒販毒行為進(jìn)行打擊。目前已報(bào)道了許多芬太尼類物質(zhì)的合成方法[45-47]，不同的地下工廠都有自己的合成工藝，每種合成方法都不可避免地在最后的成品芬太尼中引入一些雜質(zhì)，研究人員將這些雜質(zhì)的種類和含量信息稱為化學(xué)分布特征[48]。通過(guò)分析成品中化學(xué)分布特征的差異，能幫助研究人員掌握芬太尼樣品的合成方式，結(jié)合其他信息，最終能夠更加精準(zhǔn)地掌握毒品的來(lái)源和特定地下工廠的分布。通過(guò)多種質(zhì)譜手段如GC-MS、LC-MS等可以靈敏地捕捉芬太尼樣品中各雜質(zhì)的信號(hào)，然而在未知雜質(zhì)種類的情況下對(duì)海量質(zhì)譜數(shù)據(jù)進(jìn)行非靶向分析，任務(wù)繁重，進(jìn)展緩慢。近幾年，機(jī)器學(xué)習(xí)技術(shù)的引入為這一領(lǐng)域的研究帶來(lái)了新思路[48-49]。

2016 年，美國(guó)勞倫斯利弗莫爾國(guó)家實(shí)驗(yàn)室法庭科學(xué)中心的WILLIAMS 教授課題組[48]在Analytical Chemistry發(fā)表的研究中，全面評(píng)估了6 種已報(bào)道的芬太尼合成方式的化學(xué)分布特征的區(qū)別。研究人員使用GC-MS、LC-MS 以及電感耦合等離子體-質(zhì)譜（inductively coupled plasma-mass spectrometry，ICP-MS）盡可能全面地捕捉6 種合成方式的化學(xué)分布特征信息，結(jié)合PLS-DA對(duì)海量質(zhì)譜數(shù)據(jù)進(jìn)行處理，確證了160種有機(jī)和無(wú)機(jī)雜質(zhì)信息并從中找出87 種具有路線特異性的化學(xué)分布特征信息。PLS-DA 本質(zhì)上是一種多元線性回歸模型，融合了PCA 的思想。通過(guò)PLS-DA模型的使用，研究人員建立了一個(gè)能從芬太尼樣品中提取化學(xué)分布特征信息并對(duì)其合成方式進(jìn)行預(yù)測(cè)的分析平臺(tái)。

國(guó)內(nèi)的研究人員運(yùn)用質(zhì)譜高通量和高靈敏度的特點(diǎn)，設(shè)計(jì)出一系列非靶向芬太尼類物質(zhì)的鑒別分析方法。如2020 年司法鑒定科學(xué)研究院施妍研究員團(tuán)隊(duì)[24]在Journal of the American Society for Mass Spectrometry上發(fā)表的研究成果，分別運(yùn)用EI 和電噴霧離子源（electrospray ionization，ESI）結(jié)合高分辨串聯(lián)質(zhì)譜技術(shù)分析了25 個(gè)新型芬太尼類物質(zhì)的碎裂途徑。既往已開(kāi)發(fā)的GC-MS 和LC-MS 分析芬太尼類物質(zhì)的方法，只能針對(duì)已知芬太尼進(jìn)行檢測(cè)分析，且需要標(biāo)準(zhǔn)品對(duì)照，對(duì)于新型未知結(jié)構(gòu)芬太尼類物質(zhì)難以分析。通過(guò)串聯(lián)質(zhì)譜技術(shù)的使用，可以發(fā)現(xiàn)芬太尼類物質(zhì)所共有的碎裂模式和特征，從而為芬太尼類物質(zhì)的非靶向篩查提供基礎(chǔ)。通過(guò)分析，研究人員在ESI和EI 串聯(lián)質(zhì)譜碎裂實(shí)驗(yàn)中均觀察到哌啶環(huán)降解和苯乙基與哌啶環(huán)解離兩種碎裂模式。值得注意的是，在ESI 串聯(lián)質(zhì)譜碎裂實(shí)驗(yàn)中還觀測(cè)到酰胺基團(tuán)裂解產(chǎn)物。該研究能夠?qū)ο嗨平Y(jié)構(gòu)新型芬太尼類物質(zhì)的檢測(cè)定量提供指導(dǎo)。

3.2 機(jī)器學(xué)習(xí)結(jié)合光譜技術(shù)分析芬太尼類物質(zhì)

拉曼光譜是近年來(lái)廣泛應(yīng)用于化學(xué)物質(zhì)鑒定的光譜技術(shù)之一。由于拉曼散射過(guò)程與分子結(jié)構(gòu)獨(dú)特的振動(dòng)模式有關(guān)，因此，拉曼光譜可以提供有關(guān)分子鍵和結(jié)構(gòu)的相關(guān)信息，并且能夠識(shí)別復(fù)雜物質(zhì)中的化學(xué)成分。此外，拉曼光譜具有分析速度快、靈敏度高、成本低、操作簡(jiǎn)單等優(yōu)點(diǎn)。因此，該技術(shù)被廣泛應(yīng)用于分子結(jié)構(gòu)鑒定、精神麻醉藥品檢測(cè)等領(lǐng)域[50-51]。在使用拉曼光譜分析復(fù)雜的混合物樣品時(shí)，獲得的光譜數(shù)據(jù)集極其龐大，往往需要使用各類數(shù)據(jù)處理方法進(jìn)行數(shù)據(jù)的采集、提取、分析等，故機(jī)器學(xué)習(xí)以及人工智能等策略與拉曼光譜技術(shù)相結(jié)合逐漸被應(yīng)用于各領(lǐng)域內(nèi)分析物的鑒定。

近年來(lái)，表面增強(qiáng)拉曼散射（surface-enhanced Raman scattering，SERS）技術(shù)迅速發(fā)展。該技術(shù)與機(jī)器學(xué)習(xí)算法結(jié)合，在藥品鑒定、毒物分析領(lǐng)域得到了廣泛應(yīng)用[52-53]。目前，通過(guò)使用SERS 技術(shù)結(jié)合PCA、SVM 手段，研究人員能夠較好地對(duì)羥考酮、海洛因、四氫大麻酚和可卡因等毒品進(jìn)行區(qū)分，并在一定程度上展現(xiàn)出定量分析的潛力[54]。在檢測(cè)比較復(fù)雜的體液樣品時(shí)，將PCA 與SERS 相結(jié)合能夠高效分析唾液中的四氫大麻酚[55]，將PLS-DA 與SERS 聯(lián)合使用能夠檢出唾液中微量的海洛因和甲基苯丙胺，并區(qū)分兩者[56]。

在芬太尼類物質(zhì)的檢測(cè)方面，WANG 等[57]使用PCA 結(jié)合SERS 檢測(cè)尿液樣本中的芬太尼類物質(zhì)，結(jié)果表明，可以從高濃度的嗎啡和芬太尼混合樣品中檢測(cè)出質(zhì)量濃度低至50 ng/mL 的芬太尼。該方法共分析了5 種芬太尼（芬太尼、卡芬太尼、4-氟丁酰芬太尼、去甲芬太尼和瑞芬太尼），檢測(cè)靈敏度范圍為50～2 000 ng/mL。HADDAD 等[58]使用SERS 進(jìn)行海洛因混合物中芬太尼的定量分析。該研究還將與每種物質(zhì)相關(guān)的診斷峰的強(qiáng)度比擬合到Langmuir 等溫線校準(zhǔn)模型中，在樣品中芬太尼含量＜6%時(shí)仍能保持良好的線性，表明該方法適用于犯罪現(xiàn)場(chǎng)調(diào)查中定量檢材中的痕量芬太尼。GOZDZIALSKI 等[59]報(bào)道了將便攜式拉曼光譜儀與PLS-DA 聯(lián)用對(duì)混合物粉末中的芬太尼進(jìn)行定量分析，結(jié)果表明該分析方法有望應(yīng)用于實(shí)時(shí)檢測(cè)分析并定量非法藥物。MIRSAFAVI 等[60]將SERS與微流控技術(shù)相結(jié)合，檢測(cè)芬太尼及其兩種化學(xué)前體——去丙酰芬太尼和N-苯乙基-4-哌啶酮。除了利用高靈敏度的SERS 外，該研究還結(jié)合分層PLS-DA分析算法區(qū)分具有相似特征的光譜圖。分層PLS-DA方法的分類具有嚴(yán)格的分類閾值，顯示出其在分析結(jié)構(gòu)相近化合物時(shí)的良好性能。

除了拉曼光譜，近紅外光譜（near infrared spectrum，NIR）也是一種無(wú)需處理樣品即可進(jìn)行分析的技術(shù)。目前，商用拉曼手持光譜儀已被執(zhí)法人員廣泛使用。雖然手持光譜儀體積較小，便于攜帶，但仍有其局限性。主要問(wèn)題之一是熒光化合物會(huì)干擾和模糊拉曼信號(hào)，如果樣品中存在特定的熒光雜質(zhì)，會(huì)導(dǎo)致光譜儀靈敏度降低、檢測(cè)限升高[61]。此外，商用拉曼光譜儀擁有其光譜數(shù)據(jù)庫(kù)，但在實(shí)際檢測(cè)過(guò)程中，往往會(huì)遇到被分析物未包含在數(shù)據(jù)庫(kù)中的情況。相比之下，NIR 分析儀不受熒光影響，并且比拉曼設(shè)備便宜、體積更小，適合在犯罪現(xiàn)場(chǎng)進(jìn)行實(shí)時(shí)分析[62]。目前已有多項(xiàng)研究表明機(jī)器學(xué)習(xí)結(jié)合NIR 分析儀具有較好的應(yīng)用前景，如LIU 等[63]使用SIMCA（soft independent modeling of class analogy，一種有監(jiān)督機(jī)器學(xué)習(xí)算法）對(duì)甲基苯丙胺、氯胺酮、海洛因或可卡因類的光譜進(jìn)行分類，然后使用PLS-DA 回歸模型進(jìn)行量化；HESPANHOL 等[64]基于多種機(jī)器學(xué)習(xí)算法建立了針對(duì)阿片類物質(zhì)NIR 數(shù)據(jù)的快速定性和定量分析模型。未來(lái)，相信紅外光譜結(jié)合機(jī)器學(xué)習(xí)將在芬太尼類物質(zhì)分析領(lǐng)域發(fā)揮更重要的作用。

3.3 機(jī)器學(xué)習(xí)結(jié)合NMR 技術(shù)分析芬太尼類物質(zhì)

NMR 是司法鑒定和禁毒領(lǐng)域除質(zhì)譜與光譜外常用的分析技術(shù)之一。超導(dǎo)核磁共振波譜儀的儀器成本和冷凍劑維護(hù)支出較高，且儀器體積大，因此NMR在司法鑒定領(lǐng)域的普及程度沒(méi)有質(zhì)譜與光譜高[65]。近年來(lái)，臺(tái)式NMR 設(shè)備不斷發(fā)展，且成本更低，占地面積更小，不需要使用冷凍劑，并且?guī)缀鯚o(wú)需維護(hù)[66]。更重要的是，NMR 憑借其自身的獨(dú)特優(yōu)勢(shì)——能夠在沒(méi)有任何信息參考的情況下高效地推測(cè)出檢材中毒品的化學(xué)結(jié)構(gòu)及成分信息，開(kāi)始廣泛應(yīng)用于新型毒品以及未知毒物的檢測(cè)。如在芬太尼類物質(zhì)的檢測(cè)方面，有文獻(xiàn)[67]曾報(bào)道運(yùn)用低場(chǎng)（65 MHz）核磁共振波譜儀獲得的核磁共振氫譜（1H-nuclear magnetic resonance，1H-NMR）譜圖可以輕松區(qū)分65 種芬太尼及其類似物，包括各種類型的位置異構(gòu)體，為建立獨(dú)立于場(chǎng)強(qiáng)的1H-NMR 譜圖庫(kù)提供了新的研究思路。此外，有研究[6]應(yīng)用核磁共振氟譜（19F NMR）對(duì)含氟芬太尼類似物進(jìn)行定性及定量分析（檢出限為74～400 μg/mL，定量限為290～1 340 μg/mL），該方法可以改善含氟芬太尼類似物信號(hào)在1H-NMR 檢測(cè)混合物時(shí)受到限制的問(wèn)題，并能夠很好地區(qū)分含氟芬太尼的位置異構(gòu)體。

目前，運(yùn)用機(jī)器學(xué)習(xí)結(jié)合NMR 技術(shù)分析芬太尼類物質(zhì)方面的研究報(bào)道較少。2020 年，MCKEOWN等[37]運(yùn)用高場(chǎng)（300 MHz）和低場(chǎng)（43 MHz）傅里葉變換NMR 波譜結(jié)合PCA 以及正交PLS-DA 用于3 種方法合成的芬太尼前體N-苯乙基-4-哌啶酮和4-苯胺基-N-苯乙基哌啶共42 個(gè)樣品的分類研究。與高場(chǎng)相比，低場(chǎng)NMR 數(shù)據(jù)集每個(gè)bin 中的數(shù)據(jù)點(diǎn)較少且可區(qū)分的光譜特征較少，但通過(guò)合理建立多變量分析模型，研究人員在低場(chǎng)1H-NMR 光譜中盡可能挖掘出足夠的樣品信息，最終所有測(cè)試樣本均獲得了較為滿意的分類結(jié)果。運(yùn)用機(jī)器學(xué)習(xí)與NMR 技術(shù)相結(jié)合可以區(qū)分由特定方法合成的芬太尼及其前體，為法醫(yī)學(xué)鑒定提供了新的研究策略。

4 總結(jié)與展望

在芬太尼類物質(zhì)非靶向篩查識(shí)別領(lǐng)域，機(jī)器學(xué)習(xí)技術(shù)已經(jīng)顯示出巨大的潛力。傳統(tǒng)的精神活性物質(zhì)識(shí)別鑒定方法大多依賴標(biāo)準(zhǔn)物質(zhì)，只能對(duì)已知的芬太尼類物質(zhì)進(jìn)行靶向分析。面對(duì)層出不窮的新型芬太尼類物質(zhì)，這一策略面臨巨大挑戰(zhàn)。機(jī)器學(xué)習(xí)技術(shù)通過(guò)強(qiáng)大的數(shù)據(jù)分析能力結(jié)合計(jì)算機(jī)算力支持，能夠快速挖掘大量芬太尼類物質(zhì)譜圖數(shù)據(jù)中所蘊(yùn)藏的共性規(guī)律，從而對(duì)未知化合物譜圖與芬太尼類物質(zhì)的相似度進(jìn)行計(jì)算以評(píng)估其風(fēng)險(xiǎn)系數(shù)。各種監(jiān)督學(xué)習(xí)模型能夠高效、自動(dòng)地從各種類型的芬太尼類物質(zhì)譜圖中提取特征并通過(guò)迭代優(yōu)化建立高性能的分類和回歸模型，為新型芬太尼類物質(zhì)的早期篩查提供數(shù)據(jù)支持。同時(shí)，無(wú)監(jiān)督學(xué)習(xí)模型能夠?qū)Ａ康姆姨犷愇镔|(zhì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行聚類分析，幫助研究人員了解數(shù)據(jù)結(jié)構(gòu)，加速研究工作的推進(jìn)。相信隨著各類儀器分析技術(shù)和機(jī)器學(xué)習(xí)技術(shù)的不斷發(fā)展，各種針對(duì)芬太尼類物質(zhì)的大規(guī)模非靶向篩查方法將蓬勃發(fā)展，新型芬太尼類物質(zhì)的監(jiān)管空窗期也將不斷縮短。