O consumo de drogas acompanha a evolução da humanidade e é considerado um movimento histórico. A política de guerra às drogas fez com que o consumo de drogas fosse reprimido e criou esforços internacionais no que diz respeito ao combate ao tráfico. Esse movimento acarretou o surgimento das Novas Substâncias Psicoativas (New Psychoactive Substances, NPS). Esses compostos correspondem a modificações nas estruturas químicas das substâncias originalmente proibidas com o intuito de criar alternativas ao consumo e à proibição legislativa. Em termos forenses, o aparecimento das NPS levantou questionamentos sobre métodos de análise para a identificação e caracterização dessas substâncias. A velocidade de surgimento dessas novas drogas representa também um desafio para os métodos tradicionais de análise. Questões regulatórias também podem influenciar no desenvolvimento de métodos experimentais, uma vez que as substâncias são detectadas por meio de operações policiais. O entendimento sobre o comportamento dessas substâncias é muito importante para auxiliar em procedimentos de investigação e controle do tráfico. Neste trabalho utilizamos métodos computacionais da teoria do funcional de densidade (DFT) na determinação de dados espectroscópicos e efeitos de solvente para diferentes grupos de compostos. O desempenho dos métodos in silico foi verificado por meio de avaliações utilizando estatística multivariada. Neste caso os métodos de aprendizado de máquina de classificação não supervisionada e supervisionada foram aplicados para identificar a sensibilidade de cada método em relação a propriedades estruturais e efeitos de solvente, averiguando-se a eficácia dos métodos computacionais utilizados. Os algoritmos de classificação apresentaram ótimo desempenho na classificação dos diferentes grupos de NPS, e foi demonstrada a não influência por tipos de funcionais utilizados.

Drug consumption follows humankind's evolution and is considered a historic movement. The war on drugs policy resulted in drug consumption being repressed and created international efforts to combat drug trafficking. This movement led to the emergence of New Psychoactive Substances (NPS). These compounds correspond to modifications in the chemical structures of originally prohibited substances with the aim of creating alternatives to consumption and legislative prohibition. In forensic terms, the appearance of NPS raised questions about analysis methods for the identification and characterization of these substances. The speed at which these new drugs emerge also represents a challenge for traditional analysis methods. Regulatory issues can also influence the development of experimental methods, since substances are detected through police operations. Understanding the behavior of these substances is very important to assist in investigation and trafficking control procedures. In this work we use computational methods from density functional theory (DFT) to determine spectroscopic data and solvent effects for different groups of compounds. The performance of the in silico methods was verified through evaluations using multivariate statistics. In this case, unsupervised and supervised classification machine learning methods were applied to identify the sensitivity of each method in relation to structural properties and solvent effects, verifying the effectiveness of the computational methods used. The classification algorithms showed excellent performance in classifying the different NPS groups, and no influence was demonstrated by the types of functionalities used.