编辑推荐：
为解决疟蚊杀虫剂抗性（IR）问题，利物浦热带医学院研究人员开展基于飞行轨迹数据区分 IR 和杀虫剂敏感（IS）疟蚊行为的研究，发现二者飞行行为存在差异，为蚊媒控制策略提供依据。
在热带的夜晚，当人们试图在蚊帐的庇护下安然入睡时，疟蚊却在蚊帐周围徘徊，伺机寻找叮咬机会。疟疾，这个由疟蚊传播的致命疾病，每年夺走约 100 万人的生命，非洲地区深受其害，占全球病例和死亡人数的 90% 以上。长期以来，杀虫剂处理过的蚊帐（ITNs）是非洲预防疟疾的主要手段，使用比例从 2000 年的不到 5% 大幅提升至 2015 年的 50% 以上，这使得疟疾死亡人数有所下降。然而，近年来疟疾发病率和死亡率却趋于平稳，难以进一步降低。
问题的关键在于疟蚊对杀虫剂产生了抗性（IR）。自大规模使用 ITNs 近 25 年来，疟蚊对其中的拟除虫菊酯类杀虫剂抗性迅速蔓延。抗性的产生源于疟蚊生理变化，如减少杀虫剂到达靶点的量、降低与靶点的结合力，或形成减少接触杀虫剂的行为机制 。在主要的非洲疟疾传播媒介冈比亚按蚊（Anopheles gambiae）中，多种导致行为或生理抗性的机制已被报道。而且，疟蚊的叮咬模式也发生了改变，更多在户外叮咬，这使得每年新增数百万疟疾病例。尽管如此，ITNs 的使用仍能预防大部分蚊虫叮咬。但目前对于生理抗性机制与疟蚊行为之间的联系了解甚少，生物测定方法和测量疟蚊行为能力的局限性，限制了人们对拟除虫菊酯抗性与疟蚊和 ITNs 相互作用关系的理解。
为了深入探究这一复杂的关系，利物浦热带医学院的研究人员开展了一项重要研究。他们利用机器学习模型，详细分析疟蚊的飞行轨迹，试图识别出在接触杀虫剂之前，IR 和杀虫剂敏感（IS）疟蚊种群的基本或固有行为差异，并通过可解释人工智能（XAI）技术来解读模型，以揭示抗性与行为之间的潜在联系。这项研究成果对于理解疟蚊行为、优化蚊媒控制策略具有重要意义，研究发表于
Scientific Reports 。
在研究过程中，研究人员运用了多种关键技术方法。首先，他们在实验室构建了定制的自由飞行气候控制测试室，模拟自然环境，使用特定的摄像系统对疟蚊进行跟踪记录，获取其飞行轨迹数据。然后，采用滑动窗口法将轨迹分割成固定时长的片段，统一轨迹时长并消除时长偏差。通过线性插值处理轨迹中的缺失数据，并引入片段质量指标去除数据偏差较大的片段。接着，从轨迹片段中提取形状描述符和运动学特征等多种特征，并运用 Mann-Whitney U 检验和 Spearman 相关矩阵进行特征选择。最后，使用逻辑回归、随机森林和 XGBoost 等分类模型进行训练和评估，并利用 XAI 技术中的 SHAP 值进行模型解释 。
研究结果如下：
- 数据处理：通过超参数调整，确定了不同模型的最佳窗口参数，这些参数影响了用于建模的数据集中的轨迹数量和片段数量。
- 模型评估 —— 杀虫剂抗性状态分类：研究对比了逻辑回归、随机森林和 XGBoost 三种模型对 IR 和 IS 疟蚊的分类性能。结果显示，三种模型的分类性能均显著优于随机分类。其中，XGBoost 模型表现最佳，平衡准确率达到 0.743，ROC 曲线下面积（AUC）为 0.813。通过 SHAP 分析发现，垂直方向速度、分形维数等是区分 IR 和 IS 疟蚊的重要特征。IR 疟蚊在垂直方向飞行速度较慢，分形维数较低，飞行轨迹更直接，消耗能量较少，且能更有效地根据环境线索调整轨迹。
- 模型评估 —— 探索疟蚊品系差异：研究人员进一步探索了不同疟蚊品系之间的差异。在分类杀虫剂敏感品系（Kisumu 和 N’goussu）时，XGBoost 模型的平衡准确率与随机性能无显著差异；分类杀虫剂抗性品系（Banfora 和 VK7）时，结果同样不显著。而在多类分类（区分所有四个品系）中，模型的平衡准确率显著高于随机基线，表明不同品系之间存在可区分的行为差异。其中，Kisumu 品系更容易区分，而 VK7 品系则较难区分 。
研究结论与讨论部分指出，机器学习模型能够基于疟蚊的固有飞行轨迹特征成功区分不同品系。IR 和 IS 疟蚊在飞行行为上存在明显差异，IR 疟蚊飞行速度较慢、轨迹更直接，这可能是一种在寻找宿主过程中的适应性策略，但也可能意味着它们在能量利用上存在权衡。研究还发现，不同抗性品系和敏感品系之间既有共性，也有独特的行为特征。此外，XGBoost 模型在分类任务中表现最佳，这表明疟蚊飞行行为特征之间存在复杂的非线性关系。不过，该研究也存在一定局限性，如仅考虑了 4 种疟蚊品系，所得行为差异可能不适用于所有 IR 和 IS 品系。未来研究应扩大样本范围，探索疟蚊在接触多种 ITN 杀虫剂时的行为。总体而言，这项研究为理解疟蚊杀虫剂抗性与行为之间的关系提供了新的视角，有助于开发更有效的蚊媒控制策略，对疟疾防控具有重要意义。
