机器学习与多层分子网络辅助筛选平台Fentanyl-Hunter实现芬太尼类化合物的精准鉴定与全球监测

推荐：针对芬太尼类化合物鉴定难、代谢产物监测不足的全球性挑战，研究人员开发了整合机器学习分类器（F1分数0.868±0.02）和多层分子网络（覆盖87%已知芬太尼）的筛查平台Fentanyl-Hunter。该平台通过HRMS和NTA技术，在生物与环境样本中发现35种代谢物，并在全球公共数据集（>60万MS文件）中检出8国250余例阳性样本，为药物滥用监管和环境污染评估提供新工具。

　　

芬太尼类合成阿片类药物因其高效力和滥用风险成为全球公共卫生危机。2023年美国75,000例药物过量死亡中近70%与芬太尼相关，而超过1400种结构类似物正通过非法改造逃避监管。传统高分辨率质谱（HRMS）和非靶向分析（NTA）方法面临代谢物鉴定不全、数据库覆盖有限等挑战，尤其难以应对不断涌现的新型类似物。

为此，研究团队开发了Fentanyl-Hunter平台，其创新性体现在两大模块：Fentanyl_Finder通过随机森林（RF）模型对772个芬太尼质谱（MS）特征进行筛选（F₁分数0.868），Fentanyl_ID则通过三层网络（光谱相似性、成对质量距离PMD和保留时间预测）实现结构注释。关键技术包括：1）基于质量分箱（0.1 Da区间）的特征工程；2）整合HExpMSDB代谢反应对的相似性算法优化；3）使用BioTransformer和MetFrag预测代谢途径；4）对全球公共数据库（GNPS/MassIVE等）605,000份MS文件的回顾性筛查。

研究结果部分：

1. 1.

   Fentanyl_Finder开发：模型通过SHAP分析锁定关键碎片离子m/z 105.0694（[C₈H₉]⁺）和188.1425（[C₁₃H₁₈N]⁺），在尿液样本中实现<1.5%假阳性率，检测限达0.5 ng/mL。

2. 2.

   多层网络构建：PMD网络揭示芬太尼核心修饰规律（如CH₂延伸+14.0157 Da），覆盖87.6%新发现类似物。代谢实验验证了去甲基化等13条转化路径，发现27种新代谢物，其中去甲芬太尼（norfentanyl）成为废水主要标志物。

3. 3.

   全球流行性分析：通过MASST工具在14项研究中检出芬太尼、瑞芬太尼酸等物质，包括美国海水和卢森堡地表水样本。中国癌症患者样本中检出丙酰去甲芬太尼等二级证据物质（置信度2a），提示医疗使用可能。

结论强调，Fentanyl-Hunter首次实现芬太尼家族的"种子-邻居"全链条鉴定，其AI驱动策略克服了传统靶向分析的滞后性。发现的环境残留物（如脱丙酰瑞芬太尼）警示该类物质的生态风险被低估。研究为法医学溯源、污水流行病学提供新方法，其模块化设计可扩展至其他滥用药物监测。论文发表于《SCIENCE ADVANCES》，标志着质谱数据分析在公共安全领域的突破性应用。