我校理学院廖俊教授团队在共识期刊理学学科顶尖期刊Analytical Chemistry上发表了题为“CBMAFF-Net: An Intelligent NMR-Based Nontargeted Screening Method for New Psychoactive Substances”的最新研究成果。理学院2022级硕士生郑笑珊和药学院2021级硕士生唐泊伊为本文共同第一作者，公安部禁毒情报技术中心花镇东、药学院苏梦翔教授和理学院廖俊教授为本文的共同通讯作者。
新精神活性物质（NPSs）的全球分布近年来不断增加，每年约有550种新NPSs出现，对全球公共卫生构成重大威胁。在禁毒行动中查获的NPSs通常具有高度的伪装性、未知物质的多组分混合以及多样化的基质，难以快速鉴定其类别。并且，目前尚未有公认的NMR数据库用于更新NPSs，传统的基于数据库的搜索方法无法识别数据库中未包含的化合物，不适用于分析快速演变的。因此，未知NPSs识别筛查面临巨大挑战，进而加大了毒品监管和预警的难度。
为解决上述这一问题，研究团队提出了一种基于核磁共振（NMR）数据的智能筛查方法CBMAFF-Net（CNN BiLSTM Multistep Attentional Feature Fusion Network），可利用13C- NMR和1H-NMR数据对未知缉获物物质进行快速分类。CBMAFF-Net的模型核心包含两个主要部分：特征提取模块和特征融合模块。特征提取模块结合卷积神经网络（CNN）和双向长短期记忆网络（BiLSTM）来捕获NMR数据的局部和全局特征；特征融合模块则采用基于注意力机制的多步骤融合策略，为不同的特征分配不同的权重，捕捉关键信息。
研究团队在生成的模拟测试数据集上对该模型进行了评估，在模拟测试数据集上实现了99.8%的准确率和99.8%的F1分数。此外，在实际查获的42个案例的测试中，识别准确率达到了97.6%，显著超过了传统基于数据库的相似性搜索算法的性能。
该研究工作得到了“十四五”国家重点研发计划经费的资助。
供稿单位：理学院 撰写人：郭梦真