华大在线讯（通讯员 朱潇潇）近日，我校绿色农药全国重点实验室杨光富教授和王凡副教授团队开发了一个预测类农药性的多模态深度学习架构模型Pesti-DGI-Net，该模型还提供了两种可解释性方法以帮助研究人员直观了解深度学习模型所关注的结构片段。相关成果以“Pesti-DGI-Net: A multi-modal deep learning architecture based on dual interpretability for pesticide-likeness prediction” 为题发表在农业工程领域权威期刊《Computers and Electronics in Agriculture》上。

据悉，“类农药性”分析主要分析判断一个分子“长得像不像农药”。预测类农药性对于设计具有理想成药性质的农药活性分子具有重要意义。然而，由于缺乏高质量的数据集，基于深度学习的类农药性预测模型报道极少。该团队提出了一个多模态深度学习架构Pesti-DGI-Net，通过整合分子描述符、分子图像以及分子图这三种分子表征形式对化合物的类农药性进行预测。内部测试集与外部独立测试集的结果表明，Pesti-DGI-Net在多个指标上均表现出优越的性能，多次重复实验也证实了该模型的预测可靠性。

图1 Pesti-DGI-Net的整体架构

特别需要指出的是，Pesti-DGI-Net通过图注意力机制与梯度加权类激活映射（Grad-CAM），使模型在不同角度具有了一定的可解释性，这将有助于揭示分子结构中哪些结构片段可能对其类农药性有较大影响，从而帮助研究人员进行有针对性的结构优化。将人工智能模型识别结果与领域专家标注结果进行对比，结果表明，这种双重可解释方法能够在关键子结构的识别上为研究人员提供有价值的指导。此外，基于Pesti-DGI-Net，该团队还专门开发了一个类农药性在线分析平台CoPLE（http://chemyang.ccnu.edu.cn/ccb/server/CoPLE/），为广大研究人员免费提供类农药性分析评估服务。

该研究得到了国家重点研发计划（2023YFD1700500）和国家自然科学基金重点项目（21837001）的资助。我校与南开大学联合培养博士研究生杨若琪为论文第一作者，王凡副教授和杨光富教授为共同通讯作者。我校绿色农药全国重点实验室为唯一通讯单位。

全文链接：https://doi.org/10.1016/j.compag.2024.108660

（审读人：王海）