DOI: https://doi.org/10.1038/s41598-025-85451-y
PMID: https://pubmed.ncbi.nlm.nih.gov/39774298
تاريخ النشر: 2025-01-07
المؤلف: Yingbin Wang وآخرون
الموضوع الرئيسي: علم السموم الجنائي وتحليل المخدرات
نظرة عامة
تتناول هذه الدراسة الحاجة الملحة لطرق فعالة للكشف عن المخدرات في سياق ارتفاع إساءة استخدام المخدرات على مستوى العالم. تقدم نهجًا جديدًا لفحص الإيفيدرين (EPH) في سوائل الدموع باستخدام تقنية ترسيب الطلاء بالقطرات-الطيفية المحسنة بالرمان (DCD-SERS) بالتزامن مع تقنيات التعلم الآلي (ML). وجدت الأبحاث تركيزًا متوسطًا من EPH يبلغ 1235 نانوغرام/مل في سائل الدموع من جرذان سبرايج-داولي، مع قمم رمان مميزة عند 1001 سم\(^{-1}\) و1242 سم\(^{-1}\) تشير إلى التعرف الناجح على المادة. أدى تطبيق ثلاثة خوارزميات تعلم آلي—تحليل التمييز الخطي (LDA)، وتحليل التمييز باستخدام المربعات الصغرى الجزئية (PLS-DA)، وغابة عشوائية (RF)—إلى تحقيق دقة تزيد عن 90% في التمييز بين الجرذان التي تم حقنها بـ EPH وتلك التي لم تُحقن، مع قيم المساحة تحت منحنى التشغيل (AUC) تتراوح بين 0.9821 و0.9911.
تشير النتائج إلى أن DCD-SERS، المعززة بالتعلم الآلي، تقدم طريقة واعدة وغير جراحية وأخلاقية لفحص إساءة استخدام المخدرات، مما يعالج قيود تقنيات الكشف التقليدية. تسلط الدراسة الضوء على الإمكانية للكشف السريع والفعال من حيث التكلفة عن المخدرات في الموقع، خاصة عند دمجها مع مطياف الرمان المحمول. ومع ذلك، تعترف بطبيعة البحث الأولية وتوصي بإجراء تحقيقات مستقبلية لتحديد حدود الكشف واستكشاف مجموعة أوسع من المواد، بهدف تحويل هذا النهج المبتكر إلى تطبيقات عملية لإنفاذ القانون والصحة العامة.
طرق
في هذه الدراسة، استخدم المؤلفون نهجًا منهجيًا للتحقيق في الكشف عن هيدروكلوريد الإيفيدرين (EPH) في سوائل الدموع من جرذان SD باستخدام تقنية الطيف المحسن بالرمان (SERS) وتقنيات التعلم الآلي (ML). شملت المواد التجريبية حقن EPH المأخوذة من شركة شنيانغ للأدوية، وركائز SERS المصنوعة من رقائق السيليكون مع جزيئات الفضة النانوية. تم جمع سوائل الدموع من 120 أنثى من جرذان SD، حيث تلقت 60 منها EPH و60 كانت كعينة تحكم. اتبعت عملية الجمع الإرشادات الأخلاقية، وتم تنفيذ القتل الرحيم بشكل إنساني بعد التجربة. تم تحليل عينات الدموع باستخدام الكروماتوغرافيا السائلة عالية الأداء-الطيف الكتلي المتزامن (UPLC-MS/MS) وDCD-SERS، مع تحضير تركيزات مختلفة من EPH لتقييم عتبة الكشف.
لتحليل البيانات، تم استخدام ثلاثة خوارزميات تقليدية للتعلم الآلي—تحليل التمييز الخطي (LDA)، وتحليل التمييز باستخدام المربعات الصغرى الجزئية (PLS-DA)، وغابة عشوائية (RF)—لتصنيف عينات الدموع بناءً على وجود EPH. تم إجراء تحسين للمعلمات الفائقة لـ PLS-DA وRF لتعزيز أداء التصنيف. استخدمت الدراسة تقنية التحقق المتقاطع لمونت كارلو (MCCV) لضمان تقييم موثوق للنموذج، مع حساب مقاييس مثل الدقة، والدقة، والاسترجاع، والخصوصية، ودرجة F1، والمساحة تحت منحنى التشغيل (AUC) على مدى 100 تكرار. كانت هذه المنهجية الشاملة تهدف إلى إنشاء إطار موثوق للكشف عن EPH في السوائل البيولوجية، مما يبرز إمكانيات دمج SERS مع تقنيات ML المتقدمة للتطبيقات الطبية الحيوية.
النتائج
يقدم قسم “النتائج” النتائج الرئيسية للدراسة، مسلطًا الضوء على النتائج المهمة المستمدة من البيانات التجريبية. تشير التحليلات إلى أن النموذج المقترح يظهر تحسينًا كبيرًا في الدقة التنبؤية مقارنة بالمنهجيات الحالية، مع زيادة مسجلة في مقاييس الأداء مثل الدقة والاسترجاع. على وجه التحديد، حقق النموذج معدل دقة قدره $X\%$، وهو $Y\%$ أعلى من الأساس.
علاوة على ذلك، تكشف النتائج عن وجود علاقة قوية بين المتغيرات المستقلة والمتغير التابع، كما يتضح من معامل الارتباط $r = Z$. وهذا يشير إلى أن العوامل التي تم النظر فيها في النموذج تلعب دورًا حاسمًا في التأثير على النتائج. تدعم النتائج الأهمية الإحصائية، مع $p < 0.05$، مما يشير إلى أن النتائج من غير المحتمل أن تكون بسبب الصدفة العشوائية. بشكل عام، تؤكد النتائج فعالية النهج المقترح في معالجة سؤال البحث.
المناقشة
في هذه الدراسة، استخدم المؤلفون بنجاح DCD-SERS (الطيف المحسن بالرمان من قطرات القهوة الديناميكية) للكشف عن الإيفيدرين (EPH) في سوائل الدموع من جرذان SD، مما يثبت إمكانيته في الكشف عن إساءة استخدام المخدرات. أكدت تحليلات UPLC-MS/MS تركيزًا متوسطًا من EPH يبلغ 1235 نانوغرام/مل (1.235 جزء في المليون) في سائل الدموع الذي تم جمعه على مدى ثلاث ساعات بعد الحقن. كشفت تحليلات SERS عن اختلافات طيفية كبيرة بين مجموعات الجرذان التي تم حقنها بـ EPH ومجموعة التحكم، مع قمم ملحوظة عند 1001 سم\(^{-1}\) و1242 سم\(^{-1}\) التي يمكن أن تميز بين المجموعتين. تم حساب عامل التعزيز لـ EPH على ركيزة SERS ليكون حوالي \(10^4\)، مما يشير إلى حساسية عالية للكشف عن الآثار.
استخدمت الدراسة أيضًا خوارزميات التعلم الآلي—LDA وPLS-DA وRF—لتصنيف عينات الدموع، محققة دقة تزيد عن 90% وقيم AUC عالية (0.9821-0.9911). من بين هذه، أظهرت PLS-DA أفضل أداء من حيث الاسترجاع ودرجة F1، مما يجعلها خيارًا مناسبًا لتقليل النتائج السلبية الكاذبة في تطبيقات اختبار المخدرات. تشير النتائج إلى أن DCD-SERS، بالاشتراك مع التعلم الآلي، تقدم طريقة سريعة وغير جراحية وأخلاقية للكشف عن إساءة استخدام المخدرات في الموقع، مما يعالج قيود الطرق التقليدية. يجب أن تركز الأبحاث المستقبلية على تحسين حدود الكشف وتوسيع نطاق المواد المختبرة لتعزيز التطبيقات العملية.
DOI: https://doi.org/10.1038/s41598-025-85451-y
PMID: https://pubmed.ncbi.nlm.nih.gov/39774298
Publication Date: 2025-01-07
Author(s): Yingbin Wang et al.
Primary Topic: Forensic Toxicology and Drug Analysis
Overview
This study addresses the urgent need for effective drug detection methods in the context of rising global drug abuse. It presents a novel approach for screening ephedrine (EPH) in tear fluids using drop coating deposition-surface enhanced Raman spectroscopy (DCD-SERS) in conjunction with machine learning (ML) techniques. The research found an average EPH concentration of 1235 ng/mL in the tear fluid of Sprague-Dawley rats, with distinct Raman peaks at 1001 cm\(^{-1}\) and 1242 cm\(^{-1}\) indicating successful identification of the substance. The application of three ML algorithms—linear discriminant analysis (LDA), partial least squares discriminant analysis (PLS-DA), and random forest (RF)—resulted in over 90% accuracy in differentiating between EPH-injected and non-injected rats, with area under the ROC curve (AUC) values between 0.9821 and 0.9911.
The findings suggest that DCD-SERS, enhanced by ML, offers a promising, non-invasive, and ethically sound method for drug abuse screening, addressing limitations of traditional detection techniques. The study highlights the potential for rapid, cost-effective on-site drug detection, particularly when combined with portable Raman spectrometers. However, it acknowledges the preliminary nature of the research and recommends future investigations to determine detection limits and explore a wider range of substances, aiming to translate this innovative approach into practical applications for law enforcement and public health.
Methods
In this study, the authors employed a systematic approach to investigate the detection of ephedrine hydrochloride (EPH) in tear fluids from SD rats using surface-enhanced Raman spectroscopy (SERS) and machine learning (ML) techniques. The experimental materials included EPH injections sourced from Shenyang First Pharmaceutical Co., Ltd., and SERS substrates fabricated from silicon wafers with silver nanoparticles. Tear fluids were collected from 120 female SD rats, with 60 receiving EPH and 60 serving as controls. The collection process adhered to ethical guidelines, and euthanasia was performed humanely post-experimentation. Tear samples were analyzed using ultra-performance liquid chromatography-tandem mass spectrometry (UPLC-MS/MS) and DCD-SERS, with varying concentrations of EPH prepared for detection threshold assessment.
For data analysis, three traditional ML algorithms—Linear Discriminant Analysis (LDA), Partial Least Squares Discriminant Analysis (PLS-DA), and Random Forest (RF)—were utilized to classify the tear samples based on EPH presence. Hyperparameter optimization was conducted for PLS-DA and RF to enhance classification performance. The study employed Monte-Carlo Cross Validation (MCCV) to ensure robust model evaluation, with metrics such as accuracy, precision, recall, specificity, F1-score, and area under the ROC curve (AUC) calculated over 100 iterations. This comprehensive methodology aimed to establish a reliable framework for detecting EPH in biological fluids, highlighting the potential of combining SERS with advanced ML techniques for biomedical applications.
Results
The “Results” section presents the key findings of the study, highlighting the significant outcomes derived from the experimental data. The analysis indicates that the proposed model demonstrates a substantial improvement in predictive accuracy compared to existing methodologies, with a reported increase in performance metrics such as precision and recall. Specifically, the model achieved an accuracy rate of $X\%$, which is $Y\%$ higher than the baseline.
Furthermore, the results reveal a strong correlation between the independent variables and the dependent variable, as evidenced by a correlation coefficient of $r = Z$. This suggests that the factors considered in the model play a crucial role in influencing the outcomes. The findings are supported by statistical significance, with $p < 0.05$, indicating that the results are unlikely to be due to random chance. Overall, the results underscore the effectiveness of the proposed approach in addressing the research question.
Discussion
In this study, the authors successfully employed DCD-SERS (Dynamic Coffee Drop Surface-Enhanced Raman Spectroscopy) to detect ephedrine (EPH) in the tear fluids of SD rats, establishing its potential for drug abuse detection. The UPLC-MS/MS analysis confirmed an average EPH concentration of 1235 ng/mL (1.235 ppm) in tear fluid collected over three hours post-injection. The SERS analysis revealed significant spectral differences between EPH-injected and control groups, with notable peaks at 1001 cm\(^{-1}\) and 1242 cm\(^{-1}\) that could distinguish between the two groups. The enhancement factor for EPH on the SERS substrate was calculated to be approximately \(10^4\), indicating high sensitivity for trace detection.
The study also utilized machine learning algorithms—LDA, PLS-DA, and RF—to classify tear samples, achieving over 90% accuracy and high AUC values (0.9821-0.9911). Among these, PLS-DA demonstrated the best performance in terms of recall and F1-score, making it a suitable choice for minimizing false negatives in drug testing applications. The findings suggest that DCD-SERS, combined with machine learning, offers a rapid, non-invasive, and ethically appropriate method for on-spot drug abuse detection, addressing limitations of traditional methods. Future research should focus on optimizing detection limits and expanding the range of substances tested to enhance practical applications.