Novel Psychoactive Substances: Slaying the Dragon With Artificial Intelligence
Notice bibliographique
Résumé
BACKGROUND: The emergence of novel psychoactive substances (NPSs) has overwhelmed forensic, health care, and regulatory systems. Conventional analytical techniques are ineffective for identifying known compounds but fail against newly synthesized NPSs lacking reference standards. This review explores the roles of artificial intelligence (AI) and machine learning in addressing growing challenges in NPS identification and characterization. METHODS: The authors reviewed the current forensic workflows and the integration of AI-based approaches, including deep learning models, chemical language models, and spectral prediction tools. Particular emphasis was placed on the DarkNPS framework, which uses Long Short-Term Memory networks and SMILES-based data augmentation to generate millions of plausible NPS structures, and on spectral prediction tools, such as Competitive Fragmentation Modeling for Metabolite Identification (CFM-ID) and novel psychoactive substances-mass spectrometry, for in silico MS/MS spectra generation. Additional emerging AI technologies, such as transformers, graph neural networks, and multimodal frameworks, were also examined. RESULTS: AI-based systems significantly reduced the time and resources required for NPS identification by enabling structure generation, spectral prediction, and prioritization without physical standards. The DarkNPS model successfully predicted structures for >8.9 million plausible NPS compounds, with over 90% of the future market NPS accurately anticipated. In silico MS/MS spectral libraries built using AI tools demonstrated high cosine similarity scores (>0.7) with the experimental spectra, allowing top-hit identification in 75%-90% of the cases. This improved efficiency can facilitate more accurate diagnoses, guide timely treatment decisions, and support public health responses to emerging NPS threats. CONCLUSIONS: Integrating AI with traditional analytical chemistry significantly enhanced the speed, scope, precision, and utility of NPS identification, marking a promising shift in forensic toxicology and chemical surveillance.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».