AI-SNPS2：一种多层液相色谱-质谱（LC-MS/MS）平台，结合分子网络分析和保留时间预测技术，用于识别受管控的以及新型精神活性物质

《Analytical Chemistry》：AI-SNPS2: A Multi-Layered LC-MS/MS Platform Integrating Molecular Networking and Retention Time Prediction for Identifying Controlled and New Psychoactive Substances

新型毒品合成类似物AI-SNPS2筛查系统研究，整合LC-MS/MS分析模块与分子网络分析技术，开发五层结构检测平台，包含保留时间预测模型（ANN/SVR/RF/XGBoost），通过光谱相似性和色谱可行性过滤提升未知物检测能力，在复杂基质中成功识别JWH类新精神活性物质，突破传统数据库匹配限制。

　　

未知受控物质的出现对法医科学和分析科学构成了重大挑战。虽然液相色谱-串联质谱（LC-MS/MS）能够通过光谱数据库匹配来识别化合物，但对于现有数据库中不存在的合成类似物来说，其识别能力仍然有限。为了解决这一难题，我们开发了AI-SNPS2（一种用于检测麻醉药物和新精神活性物质的人工智能筛查工具），这是我们之前发布的筛查软件的升级版本。AI-SNPS2由五个集成层组成：LC-MS查看器、AI分类器、识别器、NetBuilder（一个受GNPS启发的分子网络模块）以及RT预测器（一个基于机器学习的保留时间预测模块）。这些层通过光谱相似性和色谱合理性过滤来实现结构类似物的检测，从而将识别能力扩展到了传统光谱搜索之外。RT预测器层包含了四种回归模型——人工神经网络（ANN）、支持向量回归（SVR）、随机森林（RF）和极端梯度提升（XGBoost）——这些模型均使用了来自164种受控物质的42个分子描述符进行训练。所有模型都表现出优异的性能，其中XGBoost的准确率最高（R2 = 0.964，MAE = 0.585）。当与RT校准功能结合使用时，在110分钟的色谱梯度范围内，偏差通常在几分钟之内，这证明了RT预测器在候选物筛选中的实用性。通过将JWH-019、JWH-015和JWH-302添加到两种复杂的混合物中，进一步评估了该软件的实用性；通过分子网络（MN）和混合相似性搜索（HSS）算法的结合，这些化合物均被成功识别。此外，使用另外五种化合物进行的评估表明，AI-SNPS2是检测现有数据库中不存在的化合物的一个非常有前景的工具。