Новая гибридная модель прогнозирования распространения видов при почвенно-трансмиссивных гельминтозах (STH) с учётом температуры почвы с использованием Random Forest и алгоритма роя частиц

Почему тёплая почва важна для скрытых инфекций

Во многих районах Нигерии миллионы людей подвергаются воздействию крошечных паразитических червей, обитающих в почве, которые могут незаметно мешать росту детей и снижать продуктивность взрослых. Эти инфекции распространяются или угасают в зависимости от того, насколько тёплая почва всего в нескольких сантиметрах под ногами. В этом исследовании показано, как сочетание современных компьютерных алгоритмов и детальных данных о температуре почвы может указать, где эти паразиты наиболее вероятно распространяются, помогая медицинским работникам направлять ограниченные ресурсы туда, где они нужны больше всего.

Невидимые черви под нашими ногами

Почвенно-трансмиссивные гельминты — это кишечные черви, которые распространяются, когда человеческие фекалии загрязняют окружающую среду и люди контактируют с инфицированной почвой. В Нигерии три основных виновника — аскарида (круглый червь), трихоцефал и анкилостомы (крючковые черви) — остаются серьёзной проблемой общественного здравоохранения, особенно для детей. Их яйца и личинки развиваются в почве, и этот процесс чрезвычайно чувствителен к температуре. Предыдущие глобальные исследования показали, что существует «золотая середина» — примерно тёплый, но не палящий диапазон — в котором эти паразиты процветают. Тем не менее, несмотря на десятилетия усилий по контролю, было трудно точно определить, какие общины находятся в наибольшем риске, отчасти потому, что карты инфекций не всегда полностью учитывали вариабельность почвенных условий на ландшафте.

Преобразование тепла почвы в карту риска

Чтобы решить эту задачу, исследователи создали подробную картину подземного климата Нигерии. Они использовали глобальный набор данных о почвах, содержащий 21 слой, описывающий, как температура почвы меняется в течение года: средняя теплота, сезонные колебания, экстремумы и помесячные значения для глубины 0–5 см. Эти слои сопоставили с данными о местах, где в стране фиксировались заражения червями, взятыми из международной базы по пренебрегаемым заболеваниям. Поскольку многие из этих записей лишь указывали места обнаружения инфекций, команда также сгенерировала тщательно отобранные «псевдо-отсутствия» — точки без известных инфекций — чтобы обучить модели различать подходящие и неподходящие условия.

Как гибридная умная модель учится у земли

В основе исследования лежит гибридная компьютерная модель, сочетающая две идеи: решающие деревья и поведение роя. Базовый механизм, известный как Random Forest, работает за счёт построения множества разветвляющихся деревьев, каждое из которых принимает простое да/нет решение на основе условий почвы, а затем агрегирует их голоса, чтобы определить, вероятно ли место будет пригодно для паразитов. Поверх этого команда добавила Particle Swarm Optimization — подход, вдохновлённый поведением стай птиц или косяков рыб. В этой схеме множество «частиц» пробуют разные комбинации настроек модели и выборов признаков температуры почвы, подталкивая друг друга к комбинациям, дающим более точные прогнозы.

Более точные прогнозы при меньшем количестве подсказок

При сравнении моделей гибридный подход однозначно превзошёл как стандартный Random Forest, так и более традиционную искусственную нейронную сеть. Обычный Random Forest показал точность около 87 процентов, нейронная сеть — около 81 процента, в то время как оптимизированная гибридная модель поднялась примерно до 91 процента и продемонстрировала более стабильную работу. Примечательно, что модель с оптимизацией роя достигла этого улучшения, используя лишь около половины доступных признаков температуры почвы, сосредоточившись на нескольких месячных и сезонных шаблонах температуры, которые имеют наибольшее значение для выживания червей. Статистические тесты подтвердили, что улучшения не являются случайными. Полученная карта Нигерии выявила очевидные зоны высокой пригодности, особенно в центральных и средне-поясных регионах, где тёплота и изменчивость почвы попадают в предпочитаемый паразитами диапазон.

От компьютерного кода к общественным клиникам

Для неспециалистов основная мысль проста: обучая компьютеры распознавать тонкие шаблоны того, как прогревается почва и как эта теплота меняется со временем, мы можем составлять гораздо более понятные карты мест, где инфекции червей наиболее вероятно сохранятся. Гибридная модель исследования превращает подземную температуру в практическое руководство для действий, подсказывая, какие округа следует приоритизировать для дегельминтизации, улучшения санитарии и постоянного мониторинга. Хотя модель разработана для Нигерии, тот же подход можно адаптировать для других стран и других заболеваний, зависящих от экологических условий, превращая невидимые изменения в почве и климате в конкретные инструменты защиты общественного здоровья.

Цитирование: Adekunle, T.A., Ogunwande, JM.O., Ogundoyin, I.K. et al. A novel hybrid model for species distribution prediction of soil-transmitted helminthiasis (STH) under soil temperature conditions using Random Forest and Particle Swarm Optimization Algorithm. Sci Rep 16, 9594 (2026). https://doi.org/10.1038/s41598-025-31604-y

Ключевые слова: почвенно-трансмиссивные гельминты, моделирование распределения видов, температура почвы, машинное обучение, Нигерия