Video Experimental Relacionado
Updated: Feb 26, 2026
07:39
Evaluating the Effect of Environmental Chemicals on Honey Bee Development from the Individual to Colony Level
Published on: April 1, 2017
9.5K
Evaluación de modelos de aprendizaje automático para predecir la toxicidad de pesticidas en abejas melíferas
Jakub Adamczyk1, Jakub Poziemski2, Pawel Siedlecki2
1Faculty of Computer Science, AGH University of Krakow, Cracow, Poland.
Ecotoxicology and environmental safety
|February 24, 2026
Resumen
Este estudio presenta ApisTox, un conjunto de datos completo sobre la toxicidad para abejas melíferas. Los modelos de aprendizaje automático entrenados con datos biomédicos tienen un rendimiento deficiente con datos agroquímicos, lo que resalta la necesidad de modelos especializados.
Área de la Ciencia:
- Investigación agroquímica
- Toxicología ambiental
- Química computacional
Sus antecedentes:
- Las moléculas pequeñas son cruciales en diversos dominios científicos, incluidos los agroquímicos.
- La investigación agroquímica, en particular para la toxicidad específica de especies, carece de conjuntos de datos extensos en comparación con la investigación biomédica.
- Las abejas melíferas (Apis mellifera) son polinizadores vitales, lo que hace que los datos de toxicidad sean críticos.
Objetivo del estudio:
- Evaluar la efectividad de diversos métodos de aprendizaje automático (ML) para modelar la toxicidad química en abejas melíferas.
- Evaluar la generalización de los modelos de ML entrenados con datos biomédicos cuando se aplican a conjuntos de datos agroquímicos.
- Subrayar la necesidad de conjuntos de datos y modelos de ML especializados para el sector agroquímico.
Principales métodos:
- Desarrollo y utilización de ApisTox, un nuevo conjunto de datos de toxicidad química validada experimentalmente para abejas melíferas.
- Aplicación de diversas técnicas de ML, que incluyen huellas moleculares, kernels de grafos y redes neuronales de grafos.
- Análisis comparativo del rendimiento del modelo en ApisTox frente a conjuntos de datos medicinales establecidos (MoleculeNet).
Principales resultados:
- ApisTox representa un espacio químico único distinto de los conjuntos de datos medicinales típicos.
- Los algoritmos de ML de última generación entrenados con datos biomédicos muestran una degradación del rendimiento cuando se aplican a datos de toxicidad agroquímica.
- Los modelos de ML actuales muestran una generalización limitada más allá de su dominio de entrenamiento, particularmente para aplicaciones no medicinales.
Conclusiones:
- Los modelos de ML existentes entrenados con datos biomédicos no son directamente transferibles a la predicción de toxicidad agroquímica.
- Existe una necesidad crítica de desarrollar conjuntos de datos más diversos adaptados al dominio agroquímico.
- El desarrollo de modelos de ML específicos es esencial para la predicción precisa de la toxicidad agroquímica y la seguridad ambiental.
