编辑推荐：
为解决疟疾诊断方法的局限性问题，研究人员开展了利用基质辅助激光解吸电离飞行时间质谱（MALDI-TOF MS）结合机器学习（ML）算法鉴别恶性疟原虫阳性和阴性血清的研究。结果表明该方法可行，为疟疾诊断提供了新方向。
疟疾，这个古老而又致命的疾病，长期以来一直威胁着人类的健康。在撒哈拉以南非洲地区，疟疾的肆虐尤为严重，其中恶性疟原虫（Plasmodium falciparum）是最主要的致病寄生虫。目前，疟疾的主要诊断方法包括显微镜检查和快速诊断测试（RDTs），但这些方法存在着诸多局限性。显微镜检查依赖专业人员的操作技能，在非流行地区，相关专业知识正在逐渐流失；RDTs 的灵敏度有限，对于非恶性疟原虫的检测效果不佳。此外，核酸扩增测试（NAATs）虽然准确性较高，但在资源有限的国家，由于缺乏特定的 PCR 试剂盒等原因，也难以广泛应用。因此，开发新的、更有效的疟疾诊断方法迫在眉睫。
来自德国萨尔兰大学医学微生物学和卫生学研究所、科特迪瓦费利克斯?乌弗埃 - 博瓦尼大学等多个机构的研究人员，开展了一项旨在利用基质辅助激光解吸电离飞行时间质谱（MALDI-TOF MS）结合机器学习（ML）算法来识别恶性疟原虫感染的研究。该研究成果发表在《Malaria Journal》上。
研究人员为了实现研究目的，采用了以下几种关键技术方法：首先，采集了科特迪瓦南部五个疟疾流行地区 5 至 58 岁无症状人群的血液样本，从中分离出血清。然后，通过 RDTs 和显微镜检查确定样本的感染状态和寄生虫血症，将样本分为恶性疟原虫阳性和阴性两组。接着，对血清样本进行 MALDI-TOF MS 分析，获取蛋白谱。最后，运用多种 ML 算法对蛋白谱数据进行处理和分析，构建分类模型。
研究结果主要包含以下几个方面：
- 疟疾流行情况：共有 486 名参与者，RDT 和显微镜分析显示，恶性疟原虫感染的患病率分别为 69.3% 和 65.6%，大部分阳性样本为恶性疟原虫感染，寄生虫密度在 48 至 34320 p/μL 之间。
- 光谱分析和交叉验证性能：MALDI-TOF MS 成功从恶性疟原虫阳性和阴性血清样本中生成了高质量光谱，但两组光谱轮廓相似。使用四种监督式 ML 算法进行十折交叉验证，LightGBM 和随机森林（RF）模型表现较好，全局准确率分别达到 81.3% 和 80.92%，灵敏度分别为 81.68% 和 83.97%。
- 基于 ML 模型的独立测试：对 LightGBM 和 RF 这两个最佳模型进行独立测试，使用 57 个血清样本（42 个阳性和 15 个阴性），结果显示 LightGBM 模型的准确率为 85.96%，RF 模型的准确率为 89.47%，进一步验证了模型的有效性。
研究结论和讨论部分指出，MALDI-TOF MS 结合 ML 算法能够区分恶性疟原虫阳性和阴性血清样本，这为疟疾诊断提供了新的思路和方法。然而，该研究也存在一些局限性，例如样本预处理和样本材料类型可能影响疟原虫特异性峰的检测，阴性组未检测其他感染可能影响特异性，样本来源局限、数据集规模有限以及物种多样性不足等。尽管如此，鉴于恶性疟原虫在撒哈拉以南非洲地区的高流行率，基于该数据集开发的 ML 模型仍有助于快速识别大多数疟疾病例。未来，还需要进一步优化该方法，通过使用包含更多物种和地区的数据集训练更强大的模型，结合深度学习和高分辨率蛋白质组学等技术，以提高诊断的准确性、灵敏度和特异性，并实现疟原虫物种的区分和量化。这对于制定精准的公共卫生策略、有效控制疟疾的传播和减轻疾病负担具有重要意义。
