MétaCan
Menu
Retour à la cohorte
Enregistrement W4224227295 · doi:10.1002/ps.6942

Innovation in insecticide discovery: Approaches to the discovery of new classes of insecticides

2022· review· en· W4224227295 sur OpenAlexaff
Thomas C. Sparks, Robert J Bryant

Notice bibliographique

RevuePest Management Science · 2022
Typereview
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueInsect Resistance and Genetics
Établissements canadiensGreenfield Research (Canada)
Organismes subventionnairesPurdue University
Mots-clésAgrochemicalClass (philosophy)Drug discoveryBiotechnologyProduct (mathematics)BusinessRisk analysis (engineering)Biochemical engineeringComputer scienceBiologyEngineeringAgricultureEcologyArtificial intelligenceMathematics

Résumé

récupéré en direct d'OpenAlex

The continuing demand for agrochemical insecticides that can meet increasing grower, environmental, consumer and regulatory requirements creates the need for the development of new solutions for managing crop pest insects. The development of resistance to the currently available insecticidal products adds another critical driver for new insecticidal active ingredients (AIs). One avenue to meeting these challenges is the creation of new classes of insecticidal molecules to act as starting points and prototypes stimulating further spectrum, efficacy and environmental impact refinements. A new class of insecticides is foreshadowed by the first molecule exemplifying that class (first-in-class, FIC) and offers one measure of innovation within the agrochemical industry. Most insecticides owe their discovery to competitor-inspired (i.e. competitor patents/products) or next-generation (follow-on to a company's pre-existing product) strategies. In contrast, FIC insecticides primarily emerge from a bioactive hypothesis approach, with the largest segment resulting from the exploration of new areas of chemistry/heterocycles and underexploited motifs. Natural products also play an important role in the discovery of FIC insecticides. Understanding the origins of these FIC compounds and the approaches used in their discovery can provide insights into successful strategies for future FIC insecticides. This review analyses information on historic and recently introduced FIC insecticides. Its main objective has been to identify the most successful discovery strategies for identifying new agrochemical solutions to meet the challenge of minimizing crop losses resulting from insects. © 2022 Society of Chemical Industry.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,018

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,002
Communication savante0,0030,004
Science ouverte0,0010,001
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0060,003

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,107
Tête enseignante GPT0,315
Écart entre enseignants0,208 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations67
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePest Management ScienceMême sujetInsect Resistance and GeneticsTravaux en français237 207