Die Verwendung von Techniken des maschinellen Lernens zur Vorhersage des Alters von Mücken aus verschiedenen Populationen könnte die Durchlaufzeit für die Malariaforschung verkürzen und Überwachungsprogramme verbessern, heißt es in einer neuen Studie, die in veröffentlicht wurde BMC Bioinformatik.
Das Wissen über das Alter einer Mücke hilft Wissenschaftlern, ihr Potenzial zur Verbreitung von Malaria zu verstehen, aber die vorhandenen Werkzeuge, die zur Vorhersage dieses Problems verwendet werden, sind kostspielig, arbeitsintensiv und oft anfällig für menschliche Fehler, sagen die Forscher.
Nach Angaben der Weltgesundheitsorganisation entfielen im Jahr 2021 etwa 95 Prozent der 247 Millionen Malariafälle weltweit auf die afrikanische Region, und Wissenschaftler sagen, dass die Einführung innovativer Instrumente zur Bekämpfung von Mücken und zur Verhinderung der Ausbreitung von Malaria der Schlüssel zur Ausrottung der Krankheit ist.
Die Studie zielte auf Mückenstämme ab, die in Labors des Ifakara Health Institute in Tansania und der University of Glasgow in Schottland gezüchtet wurden. Mit Analysewerkzeugen, die als Infrarotspektroskopie bekannt sind, zeichneten die Forscher die biochemische Zusammensetzung von Mücken auf und verwendeten maschinelles Lernen – eine Form der künstlichen Intelligenz (KI) –, um Modelle zu trainieren, um das Alter von Mücken vorherzusagen.
Emmanuel Mwanga, Hauptautor der Studie und Forscher am Ifakara Health Institute, sagt, dass maschinelles Lernen eine effizientere Option ist als die bestehenden Tools zur Vorhersage des Mückenalters, die mühsam und kostspielig sind.
„Es gibt eine Herausforderung, der wir beim maschinellen Lernen gegenüberstehen, nämlich die Schwierigkeit, das Alter von Mücken an verschiedenen Orten genau zu bestimmen“, sagt Mwanga. „Dies ist das Hauptproblem, mit dem sich dieses Papier befasst. Es ist wichtig, die Ergebnisse an Mücken verschiedener Orte und Arten zu testen.“
Die Wissenschaftler betonen jedoch, dass weitere Forschung erforderlich ist, da die Studie nur eine bestimmte Mückenart, Anopheles arabiensis, untersuchte, die aus nur zwei Ländern stammte.
Die Ergebnisse der Studie zeigen, dass die maschinellen Lernmodelle die Genauigkeit der Vorhersagen für das gleiche Mückenalter auf etwa 98 Prozent verbesserten.
Mwanga sagt, dass Malaria-Interventionen verbessert werden könnten, wenn Malaria-Wissenschaftler das genaue Alter, die Wirtspräferenzen und die Art der Malaria-übertragenden Erreger besser verstehen.
Den Forschern zufolge übertragen alte Moskitos Malaria eher als junge, aber Moskitos, die sich lieber von Menschen ernähren, übertragen Malaria eher als solche, die andere Tiere bevorzugen, weshalb die Untersuchung ihrer Eigenschaften für die Bemühungen zur Bekämpfung von Malaria von entscheidender Bedeutung ist.
„Die genaue Vorhersage dieser Faktoren kann dazu beitragen, Hochrisikopopulationen zu identifizieren und Interventionen effektiver zu zielen“, erklärt Mwanga und fügt hinzu, dass der Einsatz von maschinellen Lerntechniken „Zeit und Ressourcen sparen könnte, die für andere Aspekte der Malariakontrolle und -eliminierung verwendet werden könnten. “
„Dies kann letztendlich zu einer Verringerung der Zahl der Malariafälle und Todesfälle in der Region führen, was ein wichtiger Schritt in Richtung Null Malaria ist“, sagt er.
Laut den Forschern deuten die Ergebnisse darauf hin, dass künstliche Intelligenz verwendet werden kann, um das Alter von Mücken aus verschiedenen Populationen zu bestimmen.
„Dies könnte Entomologen helfen, den Zeit- und Arbeitsaufwand zu reduzieren, der zum Sezieren einer großen Anzahl von Mücken erforderlich ist“, heißt es in der Studie. „Insgesamt haben diese Ansätze das Potenzial, modellbasierte Überwachungsprogramme zu verbessern, wie z. B. die Bewertung der Auswirkungen von Kontrollinstrumenten für Malariavektoren, indem sie die Altersstrukturen lokaler Vektorpopulationen überwachen.“
Frank Mussa, Forschungs- und Entwicklungsleiter bei Afya Intelligence, einem in Tansania ansässigen Unternehmen, das sich auf den Einsatz von KI im Gesundheitswesen konzentriert, sagt, dass die Ergebnisse, wenn sie in Malaria-Interventionen integriert werden, die Planung von Malaria-Interventionen vorantreiben könnten.
„[The] Die Erkenntnisse sind für politische Entscheidungsträger notwendig, da sie die Ressourcenzuweisung vereinfachen und bei der Trendvorhersage helfen und bei der Entwicklung solider strategischer Pläne zur Ausrottung von Malaria in Tansania helfen“, sagt er.
Mehr Informationen:
Emmanuel P. Mwanga et al., Verwendung von Transferlern- und Dimensionsreduktionstechniken zur Verbesserung der Verallgemeinerbarkeit von maschinellen Lernvorhersagen des Mückenalters aus Spektren im mittleren Infrarotbereich, BMC Bioinformatik (2023). DOI: 10.1186/s12859-022-05128-5