评估用于预测农药对蜜蜂毒性的机器学习模型
机器学习
2026-01-12 v4 人工智能
摘要
小分子在生物医学、环境和农药化学领域发挥着关键作用，每个领域都有其独特的物理化学要求和成功标准。尽管生物医学研究受益于广泛的数据集和既定的基准，但农药化学数据仍然稀缺，特别是在物种特异性毒性方面。本工作聚焦于 ApisTox，这是关于蜜蜂（\textit{Apis mellifera}，一种生态上至关重要的传粉者）实验验证化学毒性的最全面数据集。本研究的主要目标是确定多种机器学习方法在建模此类毒性时的适用性，包括分子指纹、图核、图神经网络以及预训练模型。与 MoleculeNet 基准中的医学数据集进行的比较分析表明，ApisTox 代表了一个独特的化学空间。在非医学数据集（如 \mbox{ApisTox}）上的性能下降表明，仅在生物医学数据上训练的当前最先进算法的泛化能力有限。我们的研究强调了对更多样化数据集的需求，以及针对农药化学领域进行定向模型开发的需求。
引用
@article{arxiv.2503.24305,
title = {Evaluating machine learning models for predicting pesticide toxicity to honey bees},
author = {Jakub Adamczyk and Jakub Poziemski and Pawel Siedlecki},
journal= {arXiv preprint arXiv:2503.24305},
year = {2026}
}