针对Macrophomina phaseolina的新二进制杀菌剂混合物:机器学习驱动的QSAR,交叉预测和分子动力学模拟
Zaniar Rahimi-Soujeh1, Naser Safaie1, Sajad Moradi2
1Department of Plant Pathology, Faculty of Agriculture, Tarbiat Modares University, Tehran, Iran.
Chemosphere
|October 17, 2024
概括
定量结构-活性关系 (QSAR) 分析确定了控制Macrophomina phaseolina的最佳杀菌剂混合物. 像支持向量回归 (SVR) 和高斯过程回归 (GPR) 这样的机器学习模型在预测联合杀菌剂效应方面被证明是最有效的.
科学领域:
- 农业科学 农业科学
- 计算化学计算化学
- 毒理学 毒理学 毒理学
背景情况:
- 农药的开发依赖于了解杀剂的相互作用.
- 马克罗福米纳 (Macrophomina phaseolina) 对作物产量构成重大威胁.
- 定量结构-活性关系 (QSAR) 有助于预测化学化合物的活性.
研究的目的:
- 为了研究二进制杀菌剂混合物对Macrophomina phaseolina的综合作用.
- 开发用于杀菌剂有效性的预测QSAR模型.
- 建立一个可持续和有效的杀菌剂组合的框架.
主要方法:
- 使用固定比率射线设计 (FRRD) 产生了六种杀菌剂的75种二元混合物.
- 应用多重线性回归 (MLR),机器学习 (ML) 和横读 (RA) 方法.
- 使用支持向量回归 (SVR) 和高斯过程回归 (GPR) 进行QSAR分析.
- 进行分子动力学 (MD) 模拟以了解相互作用机制.
主要成果:
- 许多杀菌剂混合物表现出基于度添加 (CA) 和独立作用 (IA) 模型的添加相互作用.
- SVR (R2=0.95,Q2LMO=0.81) 和GPR (R2=0.93,Q2LMO=0.81) 是最有效的QSAR模型.
- 医学药物模拟表明杀菌剂的作用是生理性的,而不是基于配方的.
结论:
- 开发了强大且经过验证的QSAR模型 (SVR,GPR) 来预测杀真菌剂混合物的疗效.
- 确定了创造强大,可持续的杀真菌剂组合的潜力.
- 该研究为改善疾病管理和减少环境影响提供了一个框架.
更多相关视频
10:35Study on the Metabolism of Six Systemic Insecticides in a Newly Established Cell Suspension Culture Derived from Tea Camellia Sinensis L. Leaves
Published on: June 15, 2019
7.7K
10:29Quantitative Structure-Activity Relationship, Activity Prediction, and Molecular Dynamics of Non-nucleotide Reverse Transcriptase Inhibitors
Published on: May 9, 2025
440
