AI och metabolomik kombinerat mot doping

Den pågående utmaningen med dopning inom idrotten har lett till att avancerade vetenskap-liga strategier antagits för att upptäcka och förebygga dopningsmissbruk. Denna översikt undersöker potentialen i att integrera metabolomik, understödd av artificiell intelligens (AI) och maskininlärning (ML), för att profilera småmolekylära metaboliter i biologiska system i syfte att stärka antidopningsarbetet.

Medan traditionella riktade detektionsmetoder huvudsakligen fyller en forensisk funktion – genom att ge juridiskt hållbara bevis genom direkt identifiering av förbjudna substanser – erbjuder metabolomik kompletterande insikter genom att avslöja både exogena ämnen och endogena fysiologiska förändringar som kan kvarstå längre än de tidsfönster där läkemedel direkt kan påvisas, snarare än att fungera som ett alternativ till rutinmässig forensisk testning.

Högkapacitetsplattformar såsom UHPLC-HRMS och NMR, kombinerat med riktade och oriktade metabolomiska arbetsflöden, kan generera omfattande dataset som hjälper till att skilja mellan dopade och rena idrottares profiler. Den stora komplexiteten och dimensiona-liteten i dessa dataset kräver dock sofistikerade beräkningsverktyg. ML-algoritmer, inklusive övervakade modeller som XGBoost och flerskiktsperceptroner, samt oövervakade metoder såsom klustring och dimensionalitetsreduktion, möjliggör robust mönsterigenkänning, klassificering och identifiering av avvikelser. Dessa metoder förbättrar både känsligheten och specificiteten i diagnostisk screening och optimerar resursfördelningen.

Fallstudier illustrerar värdet av att integrera metabolomik och ML; till exempel upptäckt av rekombinant humant erytropoietin (r-HuEPO) genom indirekta blodmarkörer och avslöjande av testosteron- och kortikosteroidmissbruk med förlängda detektionsfönster.

Framsteg framöver kommer att bero på tvärvetenskapligt samarbete, öppna data-infra-strukturer och kontinuerlig metodologisk innovation för att fullt ut förverkliga den komplett-erande rollen hos dessa teknologier i att stödja fair play och idrottares välbefinnande.

AbuHaweeleh MN, Hamdan A, Al-Essa J, Aljaal S, Al Saad N, Georgakopoulos C, Botre F, Elrayess MA. Integrating advanced metabolomics and machine learning for anti-doping in human athletes. Metabolites 2025; 15:6 96.