Evaluating machine learning models for predicting pesticides toxicity to honey bees
作者: Jakub Adamczyk, Jakub Poziemski, Pawel Siedlecki
发布时间: 2025-04-02
来源: arxiv
研究方向: 农药毒性预测与机器学习
主要内容
该研究旨在评估机器学习模型在预测农药对蜜蜂毒性方面的能力，使用ApisTox数据集进行实验，并对比分析了多种机器学习方法和现有基准数据集。
主要贡献
1. 提出了针对农药毒性的ApisTox数据集，为该领域的研究提供了数据基础。
2. 评估了多种机器学习方法在预测蜜蜂毒性方面的性能，包括分子指纹、图核和图神经网络等。
3. 揭示了当前最先进的机器学习算法在农业化学领域的局限性，并强调了需要针对该领域进行特定的模型开发。
4. 通过可解释人工智能工具验证了模型的预测结果，提高了模型的透明度和可信度。
5. 为减少动物实验负担、开发更安全的农药和保护蜜蜂等有益生物提供了支持。
研究方法
1. 分子指纹
2. 图核
3. 图神经网络
4. 预训练神经网络
5. 可解释人工智能
6. 对抗性解释
实验结果
分子指纹和图核在预测蜜蜂毒性方面表现出优异的性能，而图神经网络和预训练神经网络的表现则相对较差。此外，该研究还发现，ApisTox数据集在化学空间上与MoleculeNet基准数据集存在显著差异，表明农业化学领域需要特定的数据集和模型。
未来工作
未来研究可以进一步探索以下方向：1）开发针对农业化学领域的特定机器学习模型；2）构建更大规模、更具代表性的数据集；3）结合实验数据和机器学习模型，提高预测的准确性和可靠性；4）将机器学习模型应用于农药开发、风险评估和管理等领域。