使用中红外光谱与机器学习对疟疾传播雄性蚊子Anopheles gambiae s.l.进行年龄分级与物种鉴定

识别高风险蚊子的全新方法

大多数疟疾防控工具把重点放在雌蚊身上，因为它们叮咬人类并传播寄生虫。但许多新策略转而依赖释放或靶向雄蚊以缩减野外种群。要使这些方法发挥作用，科学家需要快速的手段来判断雄蚊的年龄及其所属物种。本研究检验了一种基于光学的方法，结合计算算法，从雄性疟疾蚊子微小的个体中读取这些性状。

为什么雄蚊很重要

雄蚊不叮咬人类，但通过交配决定未来世代的命运。基因驱动、杀虫疑似不育虫释放和基于沃尔巴克氏体（Wolbachia）的工具等新防控手段依赖大量实验室饲养的雄蚊释放，以与野外雄蚊竞争。为了评估这些方法是否奏效，研究人员必须监测野外雄蚊的物种构成与年龄结构。现有工具速度慢，需要解剖或遗传检测，在许多受疟疾影响的地区不适合常规监测。

用看不见的光“读取”蚊子

在本研究中，科研人员在布基纳法索研究了两种密切相关的疟疾传播者：Anopheles gambiae 和 Anopheles coluzzii。他们将中红外光照射到单只风干的雄蚊上，记录昆虫外壳对光的吸收情况。由于昆虫表面随年龄变化并在物种之间略有差异，每只蚊子产生了独特的光谱模式。研究团队随后使用机器学习（一种计算模式识别技术）训练模型，将这些光谱与三个年龄组及物种身份关联起来。

从实验室台面到半自然环境

研究人员先在稳定的实验室条件下开发并测试模型，实验室对温度、湿度和食物进行严格控制。利用略多于一千个实验室样本，计算系统对物种的分类准确率约为86%，对年龄组的分类准确率约为85%。这些比随机猜测高得多，表明中红外方法能捕捉到与雄蚊年龄和物种相关的真实生物学信号。

现实世界中的挑战

接着，团队进行了更现实的测试。他们从两个村庄的房屋中捕获雌蚊，采用遗传方法识别物种，并在模拟户外条件的半野外设施中饲养其雄性后代。当将仅在实验室训练的模型直接应用于这些更多变的样本时，物种识别准确率下降到64%，年龄识别下降到50%。中红外光仍然包含有用信息，但模型在面对野外更复杂的环境、遗传背景和生活史差异时表现不佳。为应对这一点，研究人员采用了迁移学习，加入少量半野外样本对模型进行再训练。此举将物种准确率提高到73%，将年龄准确率提高到70%，对中龄雄蚊的分类改善尤为明显。

光谱究竟在“看”什么

通过检查哪些光谱区域最有用，研究者发现与蛋白质、蜡质和蚊子外壳中坚韧几丁质相关的信号是预测年龄与物种的关键。这些发现与之前对雌蚊和其他种类的研究一致，说明外表随年龄和物种的差异是稳定的信息来源。作者还指出，对背景光效应存在一定敏感性，强调需要谨慎的数据清理以及更大、更具多样性的训练集以避免产生误导性模式。

这对疟疾防控意味着什么

对非专业读者来说，主要信息是：对风干的雄蚊照射看不见的光并让计算机读取其模式，可以提供一种相对快速且成本较低的方式来估算其年龄和物种。研究表明该方法在实验室中效果很好，在包含本地样本再训练后在较自然的环境中也表现尚可。在该方法能指导真实世界的疟疾项目之前，还需要来自不同地区和条件的更广泛样本收集。但这项工作指向了一个前景，即卫生团队未来能够大规模跟踪雄蚊种群，帮助规划与评估依赖操控这些通常被忽视昆虫的新型防控工具。

引用: Sanou, R., Mwanga, E.P., Sow, B.B.D. et al. Age-grading and species identification of male mosquito Anopheles gambiae s.l. using mid-infrared spectroscopy and machine learning. Sci Rep 16, 16079 (2026). https://doi.org/10.1038/s41598-026-46306-2

关键词: 疟疾蚊子, 雄性蚊子, 红外光谱学, 机器学习, 媒介控制