利用化学洞察力对新精神活性物质进行可解释性分析

《Journal of Chemical Information and Modeling》：Explainable Analysis for New Psychoactive Substance Identification with Chemical Insights

新型致幻剂（NPS）的多样性和快速演变对传统检测方法（如GC-MS、LC-MS）造成挑战，因其依赖已知分子比较而缺乏适应性。本文提出NPS-EDR模型，采用两阶段预测-解释框架，结合合作训练和强化学习，利用2900+个NPS及药物分子数据集，整合化学先验知识，提供结构-功能可解释分析，显著优于现有大语言模型和生物分子专用模型，助力公共卫生、药理学研究及法证科学应对NPS危机。

　　

新型精神活性物质（NPS）的出现对全球公共卫生构成了重大挑战，这主要是由于它们的结构多样性和快速演变。传统的检测方法，如气相色谱-质谱法和液相色谱-质谱法，侧重于成分分析并与已知分子进行比对，对于新型变体缺乏适应性。相比之下，深度学习为主动识别提供了希望。我们提出了NPS-EDR，这是一种用于NPS识别的可解释深度推理模型。该模型采用两阶段预测-解释框架，增强了分析能力并提高了可信度。其架构利用了合作训练模式特定专家和强化学习的优势，以确保解释与答案之间的一致性。NPS-EDR基于包含2900多种NPS和药物分子的思维链数据集构建，整合了化学先验知识，以实现精确的结构-功能解析。与传统的检测方法不同，我们的模型利用生化知识对潜在的NPS分子提供可解释的结构和功能分析，在准确性、精确度和透明度方面优于主流的大型语言模型和针对生物分子的化学语言模型。其透明的推理机制有助于改进公共卫生策略、药理学研究和法医学，从而应对NPS危机。