El aprendizaje automático revela los impulsores de la subestructura molecular de la translocación de contaminantes...

Área de la Ciencia:

• Química del medio ambiente Química del medio ambiente
• Toxicología computacional.
• Ciencias Agrícolas Ciencias Agrícolas

Sus antecedentes:

• Comprender la translocación de contaminantes orgánicos en los cultivos es crucial para la seguridad alimentaria y la salud humana.
• Predecir la movilidad de los contaminantes requiere técnicas avanzadas de modelado que consideren las propiedades moleculares.

Objetivo del estudio:

• Desarrollar modelos de aprendizaje automático para predecir los factores de translocación de raíz a tallo (TF) de contaminantes en los cultivos.
• Identificar subestructuras moleculares específicas que influyen en la movilidad y translocación de contaminantes.

Principales métodos:

• Árbol de regresión de aumento de gradiente entrenado (GBRT) y modelos de red neuronal totalmente conectada (FCNN) utilizando un conjunto de datos de 225 mediciones (pesticidas, productos farmacéuticos, PFAS).
• Utilizó huellas dactilares de conectividad extendida (ECFP) como descriptores moleculares, superando a los descriptores tradicionales como el peso molecular y logKow.
• Importancia de la característica de permutación empleada (PFI) para identificar las subestructuras clave que afectan la translocación.

Principales resultados:

• Los descriptores ECFP mejoraron significativamente la precisión predictiva (R2 = 0.68-0.70) en comparación con los descriptores tradicionales (R2 = 0.43-0.67).
• Se identificaron subestructuras críticas que influyen en el TF, incluidos los anillos de pirazol, el carbono tetrasubstituido, los cationes cuaternarios de amonio y los grupos carbonila/éter.
• Los modelos demostraron una extrapolación confiable a través de las etapas de crecimiento de los cultivos y una precisión consistente en la validación externa.

Conclusiones:

• El estudio proporciona un marco cuantitativo que vincula la estructura molecular con el destino ambiental de los cultivos.
• Los modelos desarrollados pueden ayudar en el diseño de agroquímicos con movilidad reducida e identificar contaminantes de alto riesgo.
• Los resultados contribuyen a mejorar la gestión de la seguridad alimentaria al predecir y mitigar el transporte de contaminantes.