通过将昆虫毒性数据纳入,改进了昆虫杀虫剂识别的整体模型.
Ruoqi Yang1,2, Zhepeng Ma2, Zhiheng Wei2
1National Pesticide Engineering Research Center, State Key Laboratory of Elemento-Organic Chemistry, College of Chemistry, Nankai University, Tianjin 300071, P.R. China.
Journal of agricultural and food chemistry
|October 23, 2024
概括
用于发现杀虫剂的人工智能 (AI) 模型通过整合昆虫毒性数据来改进,提高性能和概括性. 开发了一个在线平台,免费访问杀虫剂查,成功识别了两种新型杀虫剂分子.
科学领域:
- 农业化学 农业化学
- 计算化学的计算化学
- 毒理学 毒理学 毒理学
背景情况:
- 传统的农药开发是低效和昂贵的.
- 有限的商业农药数据阻碍了人工智能 (AI) 模型的性能和通用化.
- 整合领域知识对于改善农药发现中的AI至关重要.
研究的目的:
- 通过结合昆虫毒性数据来提高人工智能模型对杀虫剂识别的性能.
- 开发一个集体模型,以获得卓越的预测准确度.
- 创建一个公开可访问的在线平台,用于杀虫剂查.
主要方法:
- 将昆虫毒性领域的知识纳入AI模型.
- 使用增强数据集开发和验证人工智能模型.
- 通过整合多样化的个体模型进行集成建模.
- 创建一个用于杀虫剂查的在线平台 (InsectiVS).
主要成果:
- 在添加了昆虫毒性数据后训练的人工智能模型表现出更好的外部验证性能和概括性.
- 与单个模型相比,集体模型实现了更高的性能.
- 确定了两种具有针对*Plutella xylostella*活动的新型杀虫剂分子.
- 推出了一个在线平台 (InsectiVS),以便公众获得查工具.
结论:
- 整合领域知识,特别是昆虫毒性数据,大大改善了人工智能驱动的杀虫剂发现.
- 集体建模在农药研究中提供了更高的性能.
- 开发的在线平台为农业化学研究的AI工具提供了更广泛的访问.
- 这种方法将人工智能和农业化学联系在一起,有望在农药开发中得到广泛的应用.
