利用机器学习和特征选择方法研究某些芳香化合物及精油对Planococcus citri的急性作用、协同作用及拮抗作用

《Journal of Pest Science》：Acute, synergistic and antagonistic effects of some aromatic compounds and essential oils on Planococcus citri by machine learning and feature selection approaches

　　摘要
本研究评估了D-柠檬烯、薄荷醇、芳香化合物以及来自Salvia rosmarinus Spenn.、Mentha spicata L.和Salvia sclarea L.的精油对Planococcus citri（半翅目：伪粉虱科）的单独和联合急性毒害作用。通过比较致死浓度，发现薄荷醇（LC50：0.39 g/L）和M. spicata L.（LC50：1.45 g/L）具有最高的效力，而D-柠檬烯（LC50：14.67 g/L）的效力最低。使用GC–MS/FID（气相色谱-质谱仪/火焰离子化检测器）技术鉴定了挥发性油成分。为了预测急性作用和协同作用，通过K折交叉验证评估了几种监督机器学习算法的性能，在测试的模型中，随机森林回归模型表现最佳。特征选择算法表明，D-柠檬烯、薄荷醇、α-蒎烯、香芹酮、1,8-桉叶油和莎ビ烯是急性毒性的主要贡献者。组合指数（CI）分析、t分布随机邻域嵌入（t-SNE）和热图显示，精油和芳香化合物的混合物表现出协同和拮抗作用。值得注意的是，结构相似的分子如柠檬烯及其顺式和反式异构体、α-蒎烯和莰烯、樟脑和1,8-桉叶油以及莰脑和异莰脑主要表现出协同作用。机器学习和传统方法表明，复合精油混合物对P. citri的协同作用仍理解不足。芳香化合物和精油对P. citri具有多种生物活性，可能成为害虫管理策略中合成农药的可行替代品。

引言
粉虱是全球农业系统中最重要的经济性害虫之一。柑橘粉虱Planococcus citri（半翅目：伪粉虱科）是柑橘的主要害虫，并对其他作物造成重大经济损失。尽管这种物种原产于亚洲，但它已扩散到包括美洲、欧洲和大洋洲在内的许多地区（CABI 1999）。化学杀虫剂是最常用的管理粉虱的方法，经常使用昆虫生长调节剂、氨基甲酸酯类、新烟碱类和有机磷类化合物进行控制（Ulusoy等，2022）。然而，大量使用化学杀虫剂引发了生态和管理方面的问题。反复使用杀虫剂会破坏天敌种群，导致农产品中残留杀虫剂，并促使害虫种群产生抗性（Mendel等，1999；Mruthunjayaswamy等，2019）。这些挑战凸显了需要替代害虫管理策略和开发具有不同作用机制的新杀虫剂的必要性（Saddiq等，2014；Sparks和Nauen，2015）。

鉴于全球气温升高、环境污染以及杀虫剂使用的普遍模式，迫切需要采用环保框架来支持害虫控制措施，例如减少碳足迹、残留物管理以及欧盟的“绿色协议”，该协议旨在到2030年将杀虫剂使用量减少50%（Anonymous 2020）。因此，迫切需要开发具有新颖和多种作用机制的环保杀虫剂。过去十年中，人们对天然衍生的生物活性化合物的兴趣显著增加，这些化合物被视为综合害虫管理（IPM）计划中合成农药的可行替代品。植物源杀虫剂的低持久性进一步推动了这一领域的研究。它们的环保性质及其与IPM策略的兼容性，以及被归类为“一般认为安全”（GRAS）的状态，使植物源杀虫剂成为可持续害虫控制工作的前沿（Alpkent等，2024）。最近的研究表明，精油成分对多种农业害虫具有显著的杀虫活性，进一步支持了它们作为环保害虫管理工具的潜力（Beniaicha等，2025；Usseglio等，2025）。精油是由数十种挥发性次生代谢物组成的化学混合物，其生物活性通常来自成分之间的协同或拮抗相互作用（Isman 2020）。这些复杂的相互作用使得使用传统的毒理学方法难以确定哪些单独的化合物或化合物组合主要负责观察到的生物活性（Pavela和Benelli 2021）。最近将化学表征和计算方法结合起来的研究表明，将GC–MS分析与计算机模拟相结合可以更深入地了解精油成分的生物活性及其与昆虫靶蛋白的相互作用（Lebbal 2026）。数据科学和化学信息学的最新进展使得可以使用机器学习（ML）算法分析多维化学数据集，并识别出对生物活性有贡献的关键生物活性化合物。机器学习模型在天然产物研究中的应用日益增多，包括预测精油组成、生物活性和构效关系（Cui等，2024；Adamczyk 2025）。最近的综述还强调，基于ML的分析框架越来越多地用于预测生物活性化合物谱型并优化精油在农业和生物技术系统中的应用（Beniaicha等，2025）。这为研究人员提供了强大的策略，以揭示复杂化学组成中的隐藏模式，这些模式难以用传统统计方法解释，并识别出负责生物活性的关键成分（Chen等，2018；Zhou等，2019；Uzun和Saltan，2024）。尽管有关精油杀虫特性的文献越来越多，但具体负责毒性的化合物及其潜在的协同或拮抗相互作用仍不明确，尤其是在使用传统分析方法评估复杂混合物时（Hummelbrunner和Isman 2001；Pavela 2008；Koul等，2013）。此外，只有少数研究尝试将生物测定与化学信息学和机器学习技术相结合，以识别精油混合物中的关键杀虫活性驱动因素。因此，结合化学表征、生物测定和基于机器学习的特征选择的系统框架可能为了解精油毒性的机制提供新的见解，并有助于识别关键生物活性化合物。

材料与方法
测试材料薄荷醇（CAS编号：1490–04-6），纯度为96%，购自Sigma-Aldrich。D-柠檬烯、Salvia rosmarinus Spenn.、Mentha spicata L.和Salvia sclarea L.的精油由Biomesi R&D公司（?ukurova大学技术园区）通过冷压和蒸馏方法获得。使用气相色谱-质谱仪/火焰离子化检测器（GC–MS/FID）系统鉴定了精油成分。在制备用作测试材料的精油混合物时，使用了Tween 20、40和60作为乳化剂。

Planococcus citri的收集与培养
主要害虫材料Planococcus citri从土耳其Adana的生物控制研究所获得，在那里已经对其进行了鉴定和培养。粉虱在Eski?ehir Osmangazi大学农业系植物保护系的生物控制实验室（ESBIOCONTROL）的气候室中进行培养。粉虱在26±2°C、相对湿度65%和16:8光照周期的控制条件下，在装有新鲜土豆芽的托盘和容器中维持生长。

基于气相色谱的精油化学表征
精油组成：使用气相色谱（Agilent 7890A）与火焰离子化检测器（Agilent 5975C）结合质谱仪（毛细管柱：HP Innowax Capillary；60.0 m × 0.25 mm × 0.25 μm）分析了样品的精油组成。精油以1:50的比例用己烷稀释。GC–MS/FID分析采用40:1的分流模式进行。注射体积和温度分别调整为1 μL和250°C。载气是氦气，流速恒定为0.8 mL/min。烤箱温度按以下程序设置：60°C加热10分钟，然后以4°C/min的速度升高至220°C，并在220°C下保持10分钟。MS谱在35至450 amu范围内监测，使用电子撞击（70 eV）作为离子化模式。组分的相对百分比根据GC-FID峰面积计算，组分通过Wiley 7和Oil Adams库进行鉴定（Uysal Bayar和??nar，2020）。

杀虫剂生物测定试验
生物测定试验根据IRAC（2021）和Prabhaker等（2012）描述的方法进行了修改。在这些试验中使用了成熟的雌性P. citri个体。除了对照组外，每种杀虫剂剂量至少测试四个重复次数和六个不同的浓度。精油稀释至以下浓度并在生物测定实验中使用：D-柠檬烯（0.5、1、2、3、4、6、10、18和36%），薄荷醇（0.02、0.04、0.08、0.1、0.25、0.5、1和2%），Salvia rosmarinus Spenn.（0.1、0.25、0.4、4、7和14%），Mentha spicata L.（0.1、0.25、0.4、0.5、1、2和4%），以及Salvia sclarea L.（0.5、1、2、4、7和14%）。使用Tween 20、Tween 40和Tween 60作为乳化剂，以促进精油在水中的分散。蒸馏水用作对照处理。每个重复次数至少使用细尖貂毛刷将20只成熟的雌性昆虫小心转移到直径为30 mm的带通气孔的Petri皿中。使用Spray Tower以101.3 kPa的压力将不同浓度的杀虫剂溶液喷洒到每个Petri皿中，每皿2 ml（相当于1.89±0.25 mg cm?2）。施用后，Petri皿放置30分钟使其干燥，然后放入气候室。处理后72小时进行死亡率评估。对照组皿中的死亡率超过15%的试验被视为无效并重复进行。

精油混合物的协同效应评估
为了确定精油混合物对Planococcus citri的拮抗和协同作用，准备了不同比例的各种精油组合。生物测定使用基于其LC?浓度配制的五组分混合物进行（如表4所示）。组合指数（CI）根据Chou（2006）提出的方法计算，其中CI值小于1.0表示协同作用，CI等于1.0表示加性作用，CI大于1.0表示拮抗作用。该指数能够定量评估精油之间的相互作用，并使用CompuSyn软件版本1.0.1进行计算。本研究采用了Python语言实现机器学习算法，并使用Scikit-learn（Sklearn）库作为计算建模的主要工具。为了预测化合物的急性毒性，研究采用了集成策略。用于机器学习的数据集包含了所测试精油的非挥发性成分分析（GC–MS/FID）结果以及相应的生物测定实验所得的死亡率。每个样本代表一种精油处理方式，其特点是通过GC–MS/FID分析确定的其主要化学成分的相对丰度（%）。这些成分比例被用作自变量（X），而因变量（Y）则表示Planococcus citri在接触精油处理后的观察到的死亡率。因此，机器学习模型被训练用来捕捉精油成分与杀虫活性之间的关系，而不是人工设计混合物中的单个化合物浓度。为了了解主要自变量与结果因变量之间的关系，并优化模型性能，应用了十种不同的监督学习算法。这些算法包括：多元线性回归（MLR）、随机森林回归（RFR）、梯度提升回归、极端梯度提升回归（XGBRegression）、决策树回归（DTR）、AdaBoost回归（ABR）、支持向量机回归（SVR）、最小绝对值收缩和选择运算符回归（Lasso）以及Ridge回归（Gambella等人，2021年）。

在研究中，应用了K折交叉验证方法，这是一种在机器学习中常用的超参数调优技术。通过这种方法，测试了最优化的机器学习算法，以揭示导致死亡率的精油成分及其协同作用。与传统的机器学习应用相比，这种方法通过将数据集划分为k个大小相等、不重叠的子集，有助于防止训练集和测试集之间的过拟合。每个子集依次作为验证集或测试集使用，其余的k-1个子集作为训练数据，然后计算模型的平均性能（Cawley Talbot, 2010; Fushiki 2011; Jung 2018）。

为了评估组成精油的分子的结构相似性并进行降维处理，使用了RDKit化学信息学工具包（Landrum 2013）。将每个分子的SMILES（简化分子输入行系统）字符串转换为Morgan指纹。然后使用Tanimoto系数量化分子相似性。此外，还应用了t分布随机邻居嵌入（t-SNE）技术将指纹数据投影到二维空间中，从而便于可视化分子簇和模式。相似性矩阵以热图的形式呈现，每个单元格代表分子对之间的Tanimoto系数（Babicki等人，2016; Wilkinson & Friendly, 2009）。

为了评估本研究中使用的各种预测建模方法（机器学习）的性能，采用了以下统计指标：均方误差（MSE）、平均绝对误差（MAE）和均方根误差（RMSE）（Pi?eiro等人，2008）。

特征选择涉及识别对预测结果影响最大的变量子集。这个子集可以用来提高模型性能并减少计算时间（Saeys等人，2008）。为此，使用了性能最好的机器学习模型——随机森林回归（RFR），对特征的重要性进行了排名，以评估它们对急性毒性效应的贡献（Dhal和Azad，2022）。

研究考察了精油对Planococcus citri的急性毒理学效应，结果表明薄荷醇（LC50：0.39 g/L）具有最高的效力，而柠檬烯（LC50：14.67 g/L）的致死性最低（表1）。通过GC–MS数据分析，发现Salvia rosmarinus Spenn.中的主要成分是α-蒎烯（28%）、樟脑（22%）、1,8-蒎叶醇（21%）和柠檬烯（20%）；在Mentha spicata L.中，柠檬烯（54%）和香叶醇（27%）最为丰富；而Salvia sclarea L.中则含有较高浓度的α-蒎烯（13%）、樟脑（13%）和1,8-蒎叶醇（24%）（表2）。

在所有三种精油（Salvia rosmarinus Spenn.、Mentha spicata L.和Salvia sclarea L.）中，α-蒎烯、1,8-蒎叶醇和柠檬烯均以较高的量作为主要成分出现（表2）。值得注意的是，樟脑在Salvia rosmarinus Spenn.中含量丰富（22%），而香叶醇在Mentha spicata L.中占主导地位（27%）。为了揭示组成精油的分子之间的相似性关系，使用RDKit Python库对23个分子进行了Tanimoto相似性指数分析（图1A），并利用降维技术t分布随机邻居嵌入（t-SNE）在二维空间中进行了可视化（图1B）。观察到三种主要成分α-蒎烯、1,8-蒎叶醇和柠檬烯在分子上存在显著差异。例如，柠檬烯顺式/反式异构体、α-蒎烯-樟脑、樟脑-1,8-蒎叶醇和莰醇-异莰醇之间的相似性较强。薄荷醇与其他分子的相似性相对较低。使用K折交叉验证方法评估了模型解释急性毒性和协同效应的能力（图2）。应用了包括均方误差（MSE）、均方根误差（RMSE）和平均绝对误差（MAE）在内的误差指标来评估预测准确性，模型选择基于最低误差值的原则（表3）。随机森林回归（RFR）模型被确定为估算死亡率的最佳预测模型。通过RFR模型进行的特征重要性分析显示，柠檬烯是对死亡率影响最大的分子，其次是薄荷醇、香叶醇和α-蒎烯（图3）。图5显示了混合物设计，结果表明混合物5、6、7和8表现出协同效应（CI < 1），而其他混合物则表现出拮抗效应（CI > 1）（表4）。

本研究的目的是将植物化学物质作为更安全、更环保、更有效的替代品，用于管理柑橘粉虱（Planococcus citri）。本研究结合了生物测定实验、GC–MS化学分析、机器学习建模和基于化学信息学的相似性分析，以更好地了解精油对Planococcus citri的杀虫潜力。植物杀虫剂通常表现出复杂的生物活性，因为精油由多种生物活性化合物组成，这些化合物可能以叠加、协同或拮抗的方式发挥作用。传统的毒理学方法通常评估整个提取物或单个化合物的活性，但往往无法识别出对生物效应贡献最大的成分。通过将GC–MS成分分析与机器学习方法相结合，可以定量地将化学组成与生物结果（如昆虫死亡）联系起来。此外，化学信息学方法如分子指纹和Tanimoto相似性提供了关于化合物之间结构关系的补充见解，这些关系可能影响它们的生物活性。类似的综合方法最近被提出作为发现生物活性天然产物和理解植物杀虫剂中复杂植物化学相互作用的强大工具（Pavela, 2015; Pavela, 2016; Isman 2020）。因此，研究了某些植物来源的活性化合物及其组合对P. citri的毒性和协同活性。一般来说，植物精油的生物活性归因于其各种活性成分的协同作用，这些成分可以单独使用或以混合物形式用于害虫控制（Anaya-Eugenio等人，2016; Afshar等人，2017; Pavela & Benelli 2021）。与之前关于P. citri的精油效能研究不同，本工作特别展示了纯活性化合物薄荷醇和D-柠檬烯的致死效果。在整个研究中，D-柠檬烯对P. citri的LC50值为14.6 g/L（表1），而先前的研究报道在1%（10 g/L）柠檬烯浓度下死亡率为70%（Hollingsworth 2005）。薄荷醇在本研究中被鉴定为最有效的分子，其LC50为0.39 g/L（表1）。薄荷醇的显著致死性可能归因于其低分子量、在室温下易挥发以及能够快速渗透到昆虫体内的特性。薄荷属植物含有酮类单萜等天然化合物，这些化合物能够诱导昆虫死亡并增强其组成成分的整体致死性（Khadem等人，2022）。此外，像薄荷醇这样的分子被认为与昆虫体内的神经生理活性化合物八氧胺存在竞争关系，这可能解释了即使在低剂量下也能迅速产生死亡效应（Devrnja等人，2022; H?ld等人，2000; Iqbal等人，2022）。类似的研究也记录了精油对粉虱的致死活性。已经研究了多种植物来源的精油对Pseudococcidae科粉虱的急性毒性、驱避特性和酶抑制效应。具体来说，已经记录了Eucalyptus lesoufii、Mentha pulegium、Thymus vulgaris和柠檬烯对P. citri的急性毒性（Hollingsworth 2005; Attia等人，2022; Cloyd等人，2009; Khedhri等人，2023）。此外，Erdemir和Erler（2018）报道了Mentha piperita、Origanum onites和Salvia rosmarinus Spenn.对P. citri的驱避效应。此外，还记录了EOs对其他Pseudococcidae害虫的急性毒性，包括Maconellicoccus hirsutus（El-Ashram等人，2020）、Phenacoccus solenopsis（Ghada和Naglaa 2020; Abasse 2018）、Dysmicoccus brevipes（Martins等人，2017）、Planococcus ficus（Peschiutta等人，2017）、Pseudococcus jackbeardsleyi（Pumnuan和Insung 2016）和Paracoccus marginatus（Sifa等人，2013）。还有一些研究报道了某些单萜混合物（ocimene和β-myrcene）对Planococcus lilacinus的乙酰胆碱酯酶和谷胱甘肽S-转移酶抑制效应（Arokiyaraj等人，2022）。然而，关于Salvia sclarea L.、Mentha spicata L.和Salvia rosmarinus Spenn.与P. citri的单独评估和混合物协同效应的研究仍然有限。考虑到本研究中使用的所有EO的化学组成（GC–MS分析）、急性毒性和混合物研究，α-蒎烯、1,8-蒎叶醇、D-柠檬烯、薄荷醇和樟脑被鉴定为主要的分布成分（表1、2；图4）。此外，通过随机森林回归（RFR）建模得到的特征重要性排名（R2 = 0.50）表明D-柠檬烯、薄荷醇、α-蒎烯、香叶醇、1,8-蒎叶醇和sabinene是导致死亡的主要因素（图3）。这与报告一致，表明这些活性成分对Pseudococcidae科中的多种害虫具有增强致死效果（Prabhaker等人，2012）。Erdemir和Erler（2018）报道了富含薄荷醇（70.08%）的Mentha piperita、富含香芹酚（48.0%）的Origanum onites以及含有1,8-蒎叶醇（44.97%）和樟脑（10.79%）的Salvia rosmarinus Spenn.对P. citri的驱避效应。Attia等人（2022）记录了薄荷醇含量高的Mentha pulegium的急性毒性，Khedhri等人（2023）报道了含有67.9% 1,8-蒎叶醇的Eucalyptus lesoufii对P. citri的显著急性毒性。随机森林回归模型识别出几种单萜化合物是观察到的死亡模式的主要贡献者。单萜类化合物如柠檬烯、薄荷醇、樟脑和1,8-蒎叶醇已被广泛报道对不同昆虫具有神经毒性。例如，柠檬烯显示出对储藏产品害虫如Sitophilus zeamais和Tribolium castaneum的强熏蒸和接触毒性，这与神经传递的中断和八氧胺能信号通路的干扰有关（Enan 2001; Isman 2020; Iqbal等人，2022）。同样，1,8-蒎叶醇也显示出对农业害虫Spodoptera litura和Bemisia tabaci的显著杀虫活性，研究表明其毒性可能涉及乙酰胆碱酯酶的抑制和昆虫表皮组织的通透性增加（Pavela，2016; Regnault-Roger等人，2012）。据报道，樟脑对斑毛花萤叶甲（Callosobruchus maculatus）和稻象（Sitophilus oryzae）具有熏蒸毒性，其作用机制与神经生理紊乱和呼吸抑制有关（Koul等人，2008年）。此外，薄荷醇及其结构相关的单萜类化合物也显示出对多种半翅目害虫（包括蚜虫和白粉虱）的杀虫效果，这可能是通过调节GABA门控的氯离子通道和其他参与昆虫神经传递的神经受体实现的（Enan 2005年；Pavela和Benelli 2016年；Iqbal等人，2022年）。这些化合物作为测试精油中的主要成分，与生物测定实验中观察到的高死亡率一致。因此，随机森林模型得出的特征重要性结果为毒性数据提供了生物学上合理的解释，并表明这些单萜类成分可能是对抗柑橘粉蚧（Planococcus citri）具有杀虫活性的关键有毒作用分子。本研究使用了随机森林算法，获得了0.50的R2值。先前的研究已经证明了集成算法（R2=0.99）在农业应用中的优越预测性能（Gu等人，2020年；Fredj等人，2021年）。扩展数据集可以增加算法训练的样本数量，从而提高预测准确性（Mendes-Moreira等人，2012年；Chen等人，2018年）。此外，深度学习方法最近受到了越来越多的关注，补充了传统的回归模型（Upadhyay等人，2025年）。精油混合物的协同效应尤为明显（组合指数CI<1）（图5）。然而，混合物之间的拮抗-协同变异性可能源于精油中不同比例存在的多种分子的复杂相互作用，以及目标害虫中尚未完全理解的生理机制。分子与CI值之间的相关性热图显示，化学上相似的分子倾向于聚集在同一相关组内（图4A）。具体来说，柠檬烯顺式/反式异构体、α-蒎烯-樟脑、樟脑-1,8-桉叶油醇和莰醇-异莰醇对在Tanimoto相似性系数和t-SNE尺度上的接近性很高，表明它们具有很强的化学相似性（图1A、B）。这些分子相似性表明，密切相关化合物可能会产生类似的协同或拮抗效应（Zhang等人，2025年）。总体而言，分离出的主要成分能够以合理的可靠性反映其母体精油的生物物理和生物特性（Ipek等人，2005年；Lebbal 2026年），但活性谱会根据成分单独作用或在不同浓度下共同作用而变化。因此，精油中多种分子的协同功能可以解释与一个或两个分离出的主要成分效果相比观察到的差异。此外，主要成分的活性可能受到次要成分的调节（Franzios等人，1997年；Santana-Rios等人，2001年；Hoet等人，2006年；Bakkali等人，2008年；Usseglio等人，2025年）。在这种情况下，研究整个精油而不是仅选择部分成分可以为生物应用提供更多有价值的见解，因为协同效应具有重要作用。考虑到研究结果、机器学习方法和传统方法，单一或混合精油混合物对柑橘粉蚧死亡率的潜在协同效应尚未完全理解。这可能是由于萜类化合物及其衍生物通过八羟色胺系统产生的生理影响。数据表明，精油具有提高神经元细胞内环腺苷单磷酸（cAMP）和钙水平的能力。此外，对美洲拟花萤叶甲（Periplaneta americana）及相关模型进行的电生理学研究发现，精油成分与八羟色胺受体之间存在竞争性结合和相似性（Devrnja等人，2022年；H?ld等人，2000年；Stankiewicz等人，2012年；Shaaya和Rafaeli 2007年）。本研究的发现证实，芳香化合物和精油对柑橘粉蚧具有多种生物活性，可能成为合成农药的可行替代品。此外，可以推断，如机器学习和深度学习等新兴方法为快速预测和评估毒性提供了有希望的途径，从而促进更有效的决策过程。

**图4** 这张图像的替代文本可能是使用AI生成的。**全尺寸图像**：A. 相似性矩阵以热图形式显示，精油分子与组合指数的相关性；B. 混合物中某些成分分布的箱形图。

**图5** 这张图像的替代文本可能是使用AI生成的。**全尺寸图像**：混合精油组合指数图。

**表3** 模型性能误差指标（死亡率效率）。

**表4** 精油混合物设计和组合指数平均值。

**结论** 本研究展示了植物来源的精油及其单萜类成分作为有效且环保的替代品，在管理柑橘粉蚧（Planococcus citri）方面具有潜力。通过结合气相色谱-质谱（GC–MS）分析、毒性生物测定、机器学习建模和基于化学信息学的相似性分析的综合性框架，本研究全面评估了精油成分的单独和组合效应。在测试的化合物中，薄荷醇表现出最高的毒性（LC50=0.39 g/L），使其成为一种具有快速和强效杀虫活性的关键生物活性化合物。基于混合物的分析进一步表明，杀虫效果在很大程度上取决于成分之间的相互作用，特定组合产生了显著的协同效应（CI<1），特别是在混合物5、6和7中（CI=0.6–0.5），而其他组合则表现出拮抗效应。机器学习模型，特别是随机森林回归，展示了卓越的预测性能，并有助于识别驱动死亡率反应的关键化合物，而降维技术如t-SNE和基于相似性的分析（Tanimoto系数）支持了分子结构与生物活性之间的关系。这些发现为解释复杂混合物效应以及有针对性地筛选和优化植物源杀虫剂提供了可靠的数据驱动框架。总体而言，将实验毒理学与计算建模相结合是一种强大且可扩展的策略，有助于解码精油混合物的复杂性并加速新型生物杀虫剂的开发。特别是，本研究中鉴定出的具有协同活性的混合物突显了相互作用驱动效力的重要性，并为减少对传统合成杀虫剂的依赖提供了有希望的配方开发候选物。建议进行进一步的研究，包括田间试验和配方优化，以便将这些发现转化为实际的农业应用。