编辑推荐：
昆虫病原线虫（EPN）作为生物防治剂（BCA）潜力巨大，但对其与宿主的相互作用了解有限。研究人员利用芯片实验室技术研究 Steinernema carpocapsae 的行为，发现其会对宿主线索积极响应，该成果有助于优化其在害虫管理中的应用。
在农业领域，害虫的肆虐一直是困扰着农作物生长的大难题。传统的化学防治手段虽然能在一定程度上控制害虫数量，但也带来了环境污染、害虫抗药性增强等诸多问题。昆虫病原线虫（Entomopathogenic nematodes，EPN）作为一种生物防治剂（Biological control agent，BCA），逐渐进入人们的视野。它具有环保、高效等优点，有望成为可持续害虫管理的得力助手。然而，目前人们对 EPN 的生物学特性，尤其是其与宿主之间的相互作用了解还十分有限。就拿 Steinernema carpocapsae 来说，它一直被认为是 “伏击型” 线虫，可一些研究却发现它似乎能控制更广泛的害虫，这表明我们对它的认知可能存在偏差。为了深入了解 EPN 的生态和宿主相互作用，优化其在害虫管理中的功效，来自国外的研究人员开展了一项别具一格的研究。这项研究成果发表在《Biosystems Engineering》上，为生物防治领域带来了新的曙光。
研究人员采用了多种先进的技术方法。首先是芯片实验室（lab - on - a - chip）技术，设计并制造了一个微流体平台，模拟线虫的自然栖息地，为研究提供了精准的实验环境。同时，利用卷积神经网络（Convolutional neural network，CNN）来识别线虫并分析其对宿主刺激的行为反应。此外，光学流分析技术也被用于评估线虫的运动活性。在实验中，研究人员选用了欧洲葡萄蛾（European grapevine moth，EGVM）幼虫的粪便作为宿主线索，观察 Steinernema carpocapsae 的反应。
研究结果如下：
- 行为观察：通过显微镜观察发现，在有 EGVM 粪便（宿主线索）存在时，Steinernema carpocapsae 的运动速度和转弯频率增加，甚至会穿越平台到达有吸引线索的腔室，而对照组线虫活动较少。
- CNN 模型分析：训练的 CNN 模型能区分受刺激和未受刺激的线虫。在视频级分析中，模型准确率达到 0.94，精度为 1.00。虽然在帧级检测时受背景干扰，但视频级结果良好。
- 光学流分析：通过光学流分析计算线虫运动的相关特征，发现 Steinernema carpocapsae 在宿主线索存在时活动更强烈。统计分析显示，相关特征在刺激组和对照组间存在显著差异。
- 机器学习分类器：基于光学流分析提取的特征，训练支持向量机（Support vector machine，SVM）和多层感知器（Multilayer perceptron，MLP）分类器，二者在区分刺激和对照条件下的线虫运动活性方面表现相似，受试者工作特征曲线下面积（Area under the curve，AUC）均为 0.71 。
研究结论和讨论部分指出，该研究利用芯片实验室技术结合 AI，为研究 EPN 行为提供了新方法。以往认为 Steinernema carpocapsae 是伏击型线虫，而本研究表明它具有 “巡航型” 线虫的特征，能对宿主线索做出积极反应。这一发现改变了我们对其搜索策略的认知，有助于扩大其在生物防治中的应用范围，可用于控制更多种类的害虫。此外，该研究方法还可能应用于医学诊断、生物传感器开发等领域，对保障食品安全和环境保护具有重要意义。这项研究为生物防治领域开辟了新的道路，为可持续农业发展提供了有力的技术支持和理论依据，让我们在与害虫的斗争中又多了一件 “利器” 。
