基于机器学习的q-RASAR建模用于预测蜜蜂中二元有机农药混合物的急性接触毒性

科学领域:

• 环境毒理学环境毒理学
• 计算化学的计算化学
• 生态毒理学 生态毒理学

背景情况:

• 评估农药混合物的毒性对于保护蜜蜂至关重要.
• 现有的模型往往缺乏对复杂混合物的预测准确性.
• 定量结构-活动关系 (QSAR) 和横读方法为改进预测提供了潜力.

研究的目的:

• 开发和验证一种新的定量阅读跨结构-活性关系 (q-RASAR) 模型,用于预测双重农药混合物在蜜蜂中的急性接触毒性.
• 通过整合QSAR和基于相似性的跨读算法来提高模型的可预测性.
• 为农药混合物风险评估提供可靠的计算工具.

主要方法:

• 开发了一个结合结构,物理化学,相似性和基于错误的参数的q-RASAR模型.
• 用于初始模型开发的部分最小平方 (PLS) 回归.
• 利用机器学习算法 (回归,线性和非线性SVM) 来进一步完善预测准确性.
• 使用统计指标和预测可靠性指标工具验证模型性能.

主要成果:

• q-RASAR模型表现出极好的适合性,稳定性和可预测性.
• 机器学习提高了模型的预测能力,超过了以前的QSAR方法 (Q2_F1 SVM q-RASAR:0.935与Q2_VLD QSAR:0.89).
• 新的,未经测试的二元混合物的毒性值得到了准确的预测和验证.

结论:

• 开发的q-RASAR模型提供了一种可靠和准确的方法,用于预测农药混合物中的蜜蜂毒性.
• 这种计算方法是传统的实验风险评估方法的宝贵补充.
• q-RASAR方法为更有效的农药风险评估提供了一个综合性策略.