弥合化学信息学和水应急响应:一种可解释的机器学习方法加速了天然藻类杀虫剂的发现

科学领域:

• 环境科学 环境科学
• 计算化学的计算化学
• 生态毒理学 生态毒理学

背景情况:

• 有害藻类繁殖 (HABs) 对水生生态系统和水资源构成重大威胁.
• 寻找天然藻类杀菌剂的传统方法是低效和劳动密集的.
• 对于HABs,有必要制定可持续和环保的控制策略.

研究的目的:

• 开发一种可解释的机器学习 (ML) 框架,用于有效地虚拟选具有杀藻性质的天然化合物.
• 识别有助于抗藻类活动的关键分子特征.
• 为减轻HAB和改善水资源管理提供可扩展和可持续的解决方案.

主要方法:

• 策划了来自公共数据库和文献的9751个藻类抑制记录的数据集.
• 开发了一个集成的ML模型,使用三个优化的算法与SHapley添加式扩展 (SHAP) 进行解释性.
• 进行了针对Microcystis aeruginosa的选化合物的实验验证.

主要成果:

• 该ML模型实现了高预测精度 (AUC 0.889).
• 鉴定了摩尔折射率 (MolMR) 和疏水性 (MolLogP) 作为影响抗藻类活性的关键特征.
• 已验证的5种天然化合物,包括taxifolin和caryophyllene环氧化物,显示显著的抑制 (46.7%58.5%在10 mg/L) 针对Microcystis aeruginosa.

结论:

• 可解释的ML框架为发现天然藻类杀虫剂提供了一个可扩展和可持续的方法.
• 这个工作流程将化学信息与生态保护相结合,以有效地减轻HAB.
• 该研究通过环保解决方案推进水资源管理策略.