在随机森林中探索杀虫剂分子:朝着高杀虫剂活性和低蜜蜂毒性发展

科学领域:

• 农业科学 农业科学
• 计算化学的计算化学
• 毒理学 毒理学 毒理学

背景情况:

• 高强度杀虫剂分子对于作物保护和全球粮食安全至关重要.
• 然而,由于对非目标生物,特别是蜜蜂的显著毒性,广泛使用受到阻碍.
• 开发能够平衡有效性与环境安全的农药是农业面临的关键挑战.

研究的目的:

• 引入一种新的策略,用于识别具有高害虫效率和低蜜蜂毒性的杀虫剂分子.
• 利用机器学习 (ML) 来预测这些双重属性.
• 通过实验测试验证预测模型.

主要方法:

• 新型杀虫剂分子的合成和测试,以训练用于预测害虫活动的ML模型.
• 训练一个单独的ML模型使用公共数据来预测蜜蜂毒性.
• 整合两种ML模型来预测和识别候选分子.
• 预测分子表现出所需特性的实验验证.

主要成果:

• 机器学习模型实现了高预测性能:杀虫剂活性平均AUC为0.88 ± 0.05,蜜蜂毒性为0.91 ± 0.01.
• 综合双ML模型方法成功识别了一种具有高杀虫活性和低蜜蜂毒性的分子.
• 实验验证证证实了鉴定的分子预测的疗效和安全性.

结论:

• 双ML模型方法为发现新型杀虫剂化合物提供了强大而有效的策略.
• 这种方法有助于开发有效且对环境无害的农药,支持可持续的农业实践.
• 这项研究为更安全的害虫管理解决方案铺平了道路,平衡了作物保护与授粉者健康.