通过机器学习方法预测杀虫剂和农药的毒性
Priyansh Singh1, Chandra Prakash Gupta2, Sarvesh Namdeo2
1Department of Chemical Engineering, Indian Institute of Technology Roorkee, Roorkee 247667, Uttarakhand, India; Department of Chemical Engineering, Indian Institute of Technology Tirupati, Tirupati 517619, Andhra Pradesh, India.
Pesticide biochemistry and physiology
|October 29, 2025
概括
机器学习模型准确地预测农药的毒性,包括生物度因子 (BCF),n-octanol-水分区系数 (Kow) 和致命剂量-50 (LD50). 记录P,水溶性和SLogP是关键的预测特征,有助于可持续农业.
科学领域:
- 计算毒理学计算毒理学
- 环境化学环境化学
- 农业科学 农业科学
背景情况:
- 杀虫剂对于作物保护至关重要,但由于其毒性,它们对环境和健康构成重大风险.
- 准确预测农药毒性因素对于风险评估和监管监督至关重要.
- 现有的毒性评估方法可能耗时且资源密集.
研究的目的:
- 评估七种机器学习 (ML) 模型在预测关键农药毒性因素方面的有效性.
- 为了确定对预测农药毒性的最有影响力的分子特征.
- 为更负责任的农业实践和环境监测建立数据驱动的方法.
主要方法:
- 使用了七个ML模型:随机森林 (RF),极端梯度增强 (XGB),梯度增强决策树 (GBDT),分类增强 (Catboost),轻梯度增强机器 (LGBM) 和两个堆叠模型 (RF+XGB,RF+LGBM).
- 在244种农药的数据集上训练模型,具有超过160个分子特征.
- 使用R2 (R2),平均绝对百分比误差 (MAPE) 和平均平方误差 (MSE) 等指标评估模型性能.
主要成果:
- 该RF+LGBM堆叠模型实现了生物度因子 (BCF) 预测的最高准确度 (R2=0.89,MAPE=12.72%).
- Catboost 在预测n-octanol-water 分割系数 (Kow) (R2=0.88,MAPE=22.38%) 中表现出卓越的性能.
- 对于致命剂量-50 (LD50) 预测,RF+XGB堆叠模型是最准确的 (R2=0.75,MAPE=8.5%).
- 沙普利添加式解释 (SHAP) 确定了log P,水溶性和SLogP作为跨模型中最有影响力的特征.
结论:
- 机器学习模型为预测关键农药毒性参数提供了强大而准确的方法.
- 该研究强调了ML在推进预测毒理学和环境风险评估方面的潜力.
- 这些发现支持制定可持续的农药监管和数据驱动的农业战略.
