合成大麻素作为一种新精神活性物质，因其结构繁多、迭代速度快以及具有比传统毒品更强的兴奋能力而被滥用，严重威胁生命健康和社会稳定，同时对现场检测提出巨大挑战。因此，合成大麻素的精准识别和区分需求迫切且意义重大。由于合成大麻素类物质大多化学活性低且结构差异小，难以通过共价反应识别，基于此，中国科学院新疆理化技术研究所痕量化学物质感知团队提出基于拉曼光谱技术结合深度学习算法实现对结构高度相似的CA系列（以酰胺键为头部基团）合成大麻素的精准区分识别。

拉曼光谱因其能够提供分子指纹识别而被广泛应用于痕量物质检测领域中，然而，结构高度相似的物质的拉曼光谱也具有高度相似性且难以通过肉眼直接分辨。研究团队提出了一种基于注意力机制模块集成的CNN算法，实现了CA系列合成大麻素的有效精准区分。具体来说，通过采用三种CNN算法（VGG16、DenseNet121、ResNet34）对获取的拉曼光谱数据进行初步处理，其准确率均有待提升；通过引入注意力机制模块（SENet）后，其中，ResNet34模型的分类准确率提高到100%，实现了对6种合成大麻素的精准区分；进一步采用归因算法找出SE_ResNet34模型在分类过程中最具区分度的拉曼光谱特征波段，系统解析了算法模型如何基于细微谱学差异区分多目标物，为深入理解算法模型精准分类的内在逻辑提供了参考依据。此外，有效验证了SE_ResNet34模型的泛化能力，即分类准确性不受目标物浓度差异、结构类似物及其他常见毒品的干扰，其分类准确率均为100%。

本工作为应用先进的深度学习辅助拉曼光谱分析对物质进行区分识别提供了一种研究范式，加强了对亚分子水平拉曼光谱信息的理解，将有效推动了跨学科领域的研究。

相关研究成果发表于国际期刊《分析化学》（Analytical Chemistry）上，中国科学院新疆理化技术研究所特别研究助理杜玉婉博士和新疆大学联合培养硕士研究生李文龙为共同第一作者，中国科学院新疆理化技术研究所窦新存研究员和刘媛研究员为共同通讯作者。该工作得到了国家自然科学基金、新疆维吾尔自治区重点研发计划、天山创新团队、新疆维吾尔自治区中央引导地方科技发展专项资金以及天池英才等项目的资助。

（原文链接）

拉曼光谱耦合深度学习算法实现对结构相似合成大麻素的精准区分识别