2024年中央一號文件將抓好糧食和重要農產品生產擺在首要位置。在當今農業生產中，施用農藥是提高作物產量和保障糧食安全和的關鍵措施之一，但″毒韭菜″等事件折射出的農藥安全性問題，以及農藥不合理使用所產生的抗藥性等問題始終是亟待解決的難點。伴隨著人工智能（AI）的飛速發展，AI與眾多原有產業的結合如雨后春筍般應運而生。

利用人工智能提前識別農藥風險

      

2010年的″毒韭菜″事件，本質上是由于食用了農藥殘留超標的韭菜而引起的有機磷中毒。雖然目前我國對于農藥殘留標準日趨嚴格，但是不合理的農藥使用仍然不能規避此類問題的發生。從農藥研發流程來說，農藥毒理學評價通常是在提交農藥登記前進行的，這導致許多活性優異的候選化合物在鄰近登記前才發現其安全性問題，而最終導致登記失敗。這無疑耗費了大量的研發經費和時間。人工智能可以通過對現有的化合物毒性數據監督學習，進行建模分析。從而實現在研發初期對未知毒性化合物進行預測分析。目前已有針對農藥遺傳毒性，魚類急性毒性，大鼠急性經口，小鼠急性經口，大鼠急性經皮，兔子急性經皮，小鼠急性吸入，大鼠急性吸入，蜜蜂急性接觸毒性等多個農藥安全性預測模型。這可以為農藥研發者提供化合物結構安全性風險預警，從根源上避免″毒韭菜″等類似事件的發生。

圖. 農藥蜜蜂毒性預測平臺

http://toxicity.cau.edu.cn/honeybee/

人工智能助力發現新穎結構農藥

     

只要農藥持續使用，抗藥性問題是不可避免的。目前針對抗藥性問題的解決方法通常是如何合理使用農藥，如：輪換用藥、混合用藥等。而從農藥研發角度來看，相似結構類型的農藥即使成功登記上市，也有可能很快產生極高的抗藥性問題，如由杜邦公司開發的用于小菜蛾防治的殺蟲劑氯蟲苯甲酰胺（商品名″康寬″），僅上市3年就全面爆發了大規模的抗藥性問題。這就意味著我們需要發現新穎結構類型的農藥用于規避潛在的抗性風險。而現有可合成的化合物數量級高達1060，通過實驗方法來發現高活性化合物顯然不現實。因此，通過對化合物庫進行結構聚類，能夠快速發現新穎結構類型。同時結合定量農藥模型，幫助研究者進一步選擇更有潛在成農藥性的先導化合物用于后續開發研究。

目前已有華中師范大學楊光富教授團隊結合QED、RDL等機器學習方法和深度學習方法建立COPLE人工智能類農藥性預測平臺和中國農業大學張莉教授團隊基于RF、SVM建立的農用活性預測平臺，上述預測平臺均可免費使用。這極大提高了農藥先導化合物的結構新穎率，一定程度上降低了新農藥登記上市后迅速出現抗藥性問題的風險。

圖. 左: COPLE人工智能類農藥性預測平臺http://chemyang.ccnu.edu.cn/ccb/server/CoPLE/；

右：農用活性預測平臺 http://pesticides.cau.edu.cn/

  

 一個成功的農藥不僅需要對病蟲草害等防治對象具有高活性，還需對環境、哺乳動物和非靶標生物等安全無毒，同時需兼備較低的生產成本和抗藥性風險等。而人工智能技術能夠在一定程度上幫助農藥研發者在研發初期預判不合格的候選化合物，降低后期新農藥登記時出現的安全風險和農藥田間使用時期的抗藥性風險。總之，AI在農藥領域的應用將極大加速綠色農藥的研發，推動農業化學4.0的發展。