Machine Learning to Assist in Large-Scale, Activity-Based Synthetic Cannabinoid Receptor Agonist Screening of Serum Samples
Notice bibliographique
Résumé
BACKGROUND: Synthetic cannabinoid receptor agonists (SCRAs) are amongst the largest groups of new psychoactive substances (NPS). Their often high activity at the CB1 cannabinoid receptor frequently results in intoxication, imposing serious health risks. Hence, continuous monitoring of these compounds is important, but challenged by the rapid emergence of novel analogues that are missed by traditional targeted detection strategies. We addressed this need by performing an activity-based, universal screening on a large set (n = 968) of serum samples from patients presenting to the emergency department with acute recreational drug or NPS toxicity. METHODS: We assessed the performance of an activity-based method in detecting newly circulating SCRAs compared with liquid chromatography coupled to high-resolution mass spectrometry. Additionally, we developed and evaluated machine learning models to reduce the screening workload by automating interpretation of the activity-based screening output. RESULTS: Activity-based screening delivered outstanding performance, with a sensitivity of 94.6% and a specificity of 98.5%. Furthermore, the developed machine learning models allowed accurate distinction between positive and negative patient samples in an automatic manner, closely matching the manual scoring of samples. The performance of the model depended on the predefined threshold, e.g., at a threshold of 0.055, sensitivity and specificity were both 94.0%. CONCLUSION: The activity-based bioassay is an ideal candidate for untargeted screening of novel SCRAs. The combination of this universal screening assay and a machine learning approach for automated sample scoring is a promising complement to conventional analytical methods in clinical practice.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».