top of page
  • Admin

Prevediamo la tossicità di cocktail chimici nelle api col Machine Learning

Abbiamo pubblicato un nuovo articolo in cui abbiamo sviluppato modelli q-RASAR basati sull'apprendimento automatico per prevedere la tossicità di miscele binarie di pesticidi organici nelle api da miele



La nostra ricerca, appena pubblicata nella prestigiosa rivista Journal of Hazardous Materials, ha utilizzato modelli quantitative read-across structure-activity relationship (q-RASAR) per prevedere la tossicità delle miscele binarie di sostanze mai testate prima.

Abbiamo implementato dati di tossicità recentemente pubblicati sulle api da miele e abbiamo utilizzato sia algoritmi quantitative structure-activity relationship (QSAR) che algoritmi similarity-based read-across per migliorare contemporaneamente la capacità predittiva del modello. Algoritmi di apprendimento automatico come la ridge regression, il linear support vector machine (SVM) e il non-linear SVM sono stati utilizzati per migliorare ulteriormente la capacità predittiva del modello q-RASAR. Abbiamo dimostrato come la qualità delle previsioni dei modelli q-RASAR supera i modelli precedenti. Abbiamo infine previsto la tossicità di diverse nuove miscele binarie mai testate sperimentalmente prima, convalidando l'affidabilità dei risultati.


Abbiamo sviluppato un approccio di modellistica q-RASAR affidabile, complementare e integrativo che migliora gli approcci sperimentali convenzionali nel prevedere la tossicità delle miscele di pesticidi nei processi di valutazione del rischio.


Chatterjee M, Banerjee A, Tosi S, Carnesecchi E, Benfenati E, Roy K (2023) Machine learning - based q-RASAR modeling to predict acute contact toxicity of binary organic pesticide mixtures in honey bees. J. Hazard. Mater. 460, 132358 https://doi.org/10.1016/j.jhazmat.2023.132358

Tosi, S., Sfeir, C., Carnesecchi, E., VanEngelsdorp, D., Chauzat, M.-P., 2022. Lethal, sublethal, and combined effects of pesticides on bees: A meta-analysis and new risk assessment tools. Sci. Total Environ. 844, 156857. https://doi.org/10.1016/j.scitotenv.2022.156857


コメント


bottom of page