2024年中央一号文件将抓好粮食和重要农产品生产摆在首要位置。在当今农业生产中，施用农药是提高作物产量和保障粮食安全和的关键措施之一，但″毒韭菜″等事件折射出的农药安全性问题，以及农药不合理使用所产生的抗药性等问题始终是亟待解决的难点。伴随着人工智能（AI）的飞速发展，AI与众多原有产业的结合如雨后春笋般应运而生。

利用人工智能提前识别农药风险

2010年的″毒韭菜″事件，本质上是由于食用了农药残留超标的韭菜而引起的有机磷中毒。虽然目前我国对于农药残留标准日趋严格，但是不合理的农药使用仍然不能规避此类问题的发生。从农药研发流程来说，农药毒理学评价通常是在提交农药登记前进行的，这导致许多活性优异的候选化合物在邻近登记前才发现其安全性问题，而最终导致登记失败。这无疑耗费了大量的研发经费和时间。人工智能可以通过对现有的化合物毒性数据监督学习，进行建模分析。从而实现在研发初期对未知毒性化合物进行预测分析。目前已有针对农药遗传毒性，鱼类急性毒性，大鼠急性经口，小鼠急性经口，大鼠急性经皮，兔子急性经皮，小鼠急性吸入，大鼠急性吸入，蜜蜂急性接触毒性等多个农药安全性预测模型。这可以为农药研发者提供化合物结构安全性风险预警，从根源上避免″毒韭菜″等类似事件的发生。

人工智能助力发现新颖结构农药

只要农药持续使用，抗药性问题是不可避免的。目前针对抗药性问题的解决方法通常是如何合理使用农药，如：轮换用药、混合用药等。而从农药研发角度来看，相似结构类型的农药即使成功登记上市，也有可能很快产生极高的抗药性问题，如由杜邦公司开发的用于小菜蛾防治的杀虫剂氯虫苯甲酰胺（商品名″康宽″），仅上市3年就全面爆发了大规模的抗药性问题。这就意味着我们需要发现新颖结构类型的农药用于规避潜在的抗性风险。而现有可合成的化合物数量级高达1060，通过实验方法来发现高活性化合物显然不现实。因此，通过对化合物库进行结构聚类，能够快速发现新颖结构类型。同时结合定量农药模型，帮助研究者进一步选择更有潜在成农药性的先导化合物用于后续开发研究。

目前已有华中师范大学杨光富教授团队结合QED、RDL等机器学习方法和深度学习方法建立COPLE人工智能类农药性预测平台和中国农业大学张莉教授团队基于RF、SVM建立的农用活性预测平台，上述预测平台均可免费使用。这极大提高了农药先导化合物的结构新颖率，一定程度上降低了新农药登记上市后迅速出现抗药性问题的风险。

 一个成功的农药不仅需要对病虫草害等防治对象具有高活性，还需对环境、哺乳动物和非靶标生物等安全无毒，同时需兼备较低的生产成本和抗药性风险等。而人工智能技术能够在一定程度上帮助农药研发者在研发初期预判不合格的候选化合物，降低后期新农药登记时出现的安全风险和农药田间使用时期的抗药性风险。总之，AI在农药领域的应用将极大加速绿色农药的研发，推动农业化学4.0的发展。