深度学习与数字考古学联袂揭示新型驱蚊分子的发现之旅

为解决传统驱蚊剂功效局限、安全性不足及物种特异性问题，Google Research与TropIQ Health Sciences团队通过数字化历史USDA数据集（约19,000项驱蚊数据），结合图神经网络（GNN）模型筛选317种候选分子，发现10余种效果优于DEET的驱蚊剂，并验证其跨物种有效性。该研究发表于《Chemical Senses》，为全球病媒控制提供高效计算筛选新范式。

　　

每年虫媒疾病导致全球超50万人死亡，而现有驱蚊剂如DEET（N,N-二乙基-间甲苯甲酰胺）存在浓度需求高（>40%）、塑料腐蚀性及物种特异性（如IR3535对疟蚊无效）等缺陷。面对70年来仅少数新驱蚊剂上市的困境，Google Research联合华盛顿大学等机构创新性地融合数字考古学与深度学习技术，从尘封的USDA历史数据中挖掘出下一代驱蚊分子。

研究团队首先将1942-1947年间美国农业部（USDA）测试的约19,000项驱蚊数据（涉及Aedes aegypti和Anopheles quadrimaculatus蚊种）数字化，构建首个机器可读的驱蚊行为数据库。通过图神经网络（GNN）模型分析分子结构与驱蚊活性的关系，其预测性能（AUC=0.881）显著优于传统化学信息学模型。基于此，团队从eMolecules商业库中筛选317种候选分子，采用膜饲喂实验（anti-feedant assay）验证其驱避效果，发现49%候选分子在2分钟时驱避率>90%，其中TQ-0043503等10种分子在120分钟时仍保持>75%驱避率，效果超越DEET。

关键实验技术包括：1）基于GCaMP7s的蚊虫触角叶（AL）双光子钙成像技术，解析40种化合物对50个嗅小球（glomeruli）的神经响应模式；2）跨物种验证实验（A. stephensi、A. aegypti蚊及Ixodes scapularis蜱）；3）人臂诱捕实验（arm-by-cage assay）评估皮肤挥发物环境下的实际效果。

结果部分
数字化历史数据集
USDA数据集经OCR转换与人工校验后，涵盖14,187种分子的皮肤/布料驱蚊数据。GNN模型在布料-A. aegypti任务中表现最佳（AUC=0.881），其学习表征（USDALR）使候选分子筛选准确率较传统方法提升23%。

驱蚊候选分子验证
膜饲喂实验显示，模型筛选分子与USDA历史数据驱避率显著相关（p<0.01）。在人体试验中，83%的膜饲喂阳性分子（如TQ-0043678）在13μg/cm²浓度下仍减少75%蚊虫着陆。

跨物种有效性
10种强驱避分子对A. aegypti（9/10有效）和蜱（10/10有效，ED₅₀≈120μg/cm²）均表现广谱活性，打破IR3535等物种限制。

神经机制解析
钙成像揭示驱避剂（如DEET）可激活特定嗅小球（如glomeruli 18/19），但其响应模式与化学结构无直接关联（Spearman rho=0.29），暗示多通路驱避机制。

结论与意义
该研究首次实现历史数据驱动的驱蚊剂理性设计，突破传统“试错法”效率瓶颈。发现的醚类、苯环衍生物等新型驱避剂（Tanimoto距离USDA分子中位数0.48）为开发低浓度、可降解的下一代病媒控制产品奠定基础。蚊虫嗅觉通路的异质性响应（如glomeruli 2-8共抑制）为理解驱避剂神经编码提供新视角。未来可扩展至其他病媒（如采采蝇）及受体靶向筛选，加速全球公共卫生挑战的解决。