論文の概要: Towards Rational Pesticide Design with Graph Machine Learning Models for Ecotoxicology

• arxiv url: http://arxiv.org/abs/2509.18703v1
• Date: Tue, 23 Sep 2025 06:38:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 20:41:27.732591
• Title: Towards Rational Pesticide Design with Graph Machine Learning Models for Ecotoxicology
• Title（参考訳）: グラフ機械学習モデルを用いた生態毒性学の合理的農薬設計に向けて
• Authors: Jakub Adamczyk,
• Abstract要約: 本研究は、グラフ機械学習を用いて、より安全でエコフレンドリーな農薬の開発を促進する合理的農薬設計に焦点を当てる。 生態毒性学に重点を置いた最初の貢献は、ミツバチに対する殺虫剤毒性に関する最大のキュレートされたデータセットであるApisToxの作成である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This research focuses on rational pesticide design, using graph machine learning to accelerate the development of safer, eco-friendly agrochemicals, inspired by in silico methods in drug discovery. With an emphasis on ecotoxicology, the initial contributions include the creation of ApisTox, the largest curated dataset on pesticide toxicity to honey bees. We conducted a broad evaluation of machine learning (ML) models for molecular graph classification, including molecular fingerprints, graph kernels, GNNs, and pretrained transformers. The results show that methods successful in medicinal chemistry often fail to generalize to agrochemicals, underscoring the need for domain-specific models and benchmarks. Future work will focus on developing a comprehensive benchmarking suite and designing ML models tailored to the unique challenges of pesticide discovery.
• Abstract（参考訳）: 本研究は、グラフ機械学習を用いた合理的農薬設計に焦点を当て、医薬品発見におけるシリコ法から着想を得た、より安全でエコフレンドリーな農薬の開発を加速する。 生態毒性学に重点を置いた最初の貢献は、ミツバチに対する殺虫剤毒性に関する最大のキュレートされたデータセットであるApisToxの作成である。 分子指紋,グラフカーネル,GNN,事前学習したトランスフォーマーなど,分子グラフ分類のための機械学習(ML)モデルを広範囲に評価した。 その結果、薬理化学で成功した手法は、しばしばアグロケミカルに一般化できず、ドメイン固有のモデルやベンチマークの必要性が強調された。 今後の作業は、総合的なベンチマークスイートの開発と、殺虫剤発見のユニークな課題に合わせたMLモデルを設計することに集中する。

関連論文リスト

• Evaluating machine learning models for predicting pesticides toxicity to honey bees [0.0]
  ApisToxは、ミツバチに対する化学毒性を実験的に検証した最も包括的なデータセットである。 分子指紋,グラフカーネル,グラフニューラルネットワークなど,さまざまな機械学習アプローチを用いてApisToxを評価する。
  論文  参考訳（メタデータ） (2025-03-31T16:51:12Z)
• Pesti-Gen: Unleashing a Generative Molecule Approach for Toxicity Aware Pesticide Design [0.0]
  気候変動により作物の弾力性と農薬の効力は減少し、合成農薬への依存は避けられない。 本稿では, 変異型オートエンコーダをベースとした新しい生成モデルであるPesti-Genを提案し, 最適化特性を有する殺虫剤候補を生成する。 ペスティ-ゲンは、新しい分子構造を生成する際に、およそ68%の構造的妥当性を達成する。
  論文  参考訳（メタデータ） (2025-01-24T13:00:54Z)
• BatGPT-Chem: A Foundation Large Model For Retrosynthesis Prediction [65.93303145891628]
  BatGPT-Chemは150億のパラメータを持つ大規模な言語モデルであり、再合成予測の強化に最適化されている。 我々のモデルは幅広い化学知識を捉え、反応条件の正確な予測を可能にする。 この開発により、化学者は新しい化合物を十分に扱うことができ、医薬品製造と材料科学の革新サイクルを早める可能性がある。
  論文  参考訳（メタデータ） (2024-08-19T05:17:40Z)
• Benchmarking Toxic Molecule Classification using Graph Neural Networks and Few Shot Learning [0.0]
  従来のグラフ畳み込みネットワーク(GCN)は、限られたデータとクラス不均衡を伴う課題に直面している。 グラフ等化ネットワーク,マルチヘッドアテンション,およびグラフ上の大規模アドバイザリ拡張を個別に活用する。 我々はFew-Shot Learningを導入し、限られた注釈付きサンプルを用いてモデルの一般化を改善する。
  論文  参考訳（メタデータ） (2023-11-22T16:07:32Z)
• Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
  本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。 本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
  論文  参考訳（メタデータ） (2023-10-10T14:37:17Z)
• Bi-level Contrastive Learning for Knowledge-Enhanced Molecule Representations [68.32093648671496]
  分子に固有の二重レベル構造を考慮に入れたGODEを導入する。 分子は固有のグラフ構造を持ち、より広い分子知識グラフ内のノードとして機能する。 異なるグラフ構造上の2つのGNNを事前学習することにより、GODEは対応する知識グラフサブ構造と分子構造を効果的に融合させる。
  論文  参考訳（メタデータ） (2023-06-02T15:49:45Z)
• Semantic Image Segmentation with Deep Learning for Vine Leaf Phenotyping [59.0626764544669]
  本研究では,ブドウの葉のイメージを意味的にセグメント化するためにDeep Learning法を用いて,葉の表現型自動検出システムを開発した。 私たちの研究は、成長や開発のような動的な特性を捉え定量化できる植物ライフサイクルのモニタリングに寄与します。
  論文  参考訳（メタデータ） (2022-10-24T14:37:09Z)
• Graph Machine Learning for Design of High-Octane Fuels [47.43758223690195]
  コンピュータ支援分子設計(CAMD)は、所望の自己着火特性を持つ分子を識別することができる。 本稿では,生成グラフMLモデルとグラフニューラルネットワークと最適化を統合したグラフ-ML CAMDフレームワークを提案する。 我々は、さらなる自動点火訓練データの必要性を実験的に調査し、説明するために使用した。
  論文  参考訳（メタデータ） (2022-06-01T16:43:04Z)
• Graph Neural Networks for the Prediction of Substrate-Specific Organic Reaction Conditions [79.45090959869124]
  有機化学反応をモデル化するために,グラフニューラルネットワーク(GNN)を用いた系統的研究を行った。 実験試薬と条件の識別に関わる分類タスクに対して、7つの異なるGNNアーキテクチャを評価した。
  論文  参考訳（メタデータ） (2020-07-08T17:21:00Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。