基于MALDI-TOF MS与机器学习区分利什曼原虫前循环期和后循环期鞭毛体的预测模型构建及验证

来自巴西的研究人员针对利什曼原虫感染性鉴别难题，利用MALDI-TOF MS技术结合机器学习算法，开发出能精准区分前循环期（非感染性）和后循环期（感染性）鞭毛体的分类模型。支持向量机（SVM）实现了100%的分类准确率，该研究为寄生虫生命周期研究及感染机制解析提供了新型技术路径。

　　

通过基质辅助激光解吸电离飞行时间质谱（MALDI-TOF MS）技术，研究者成功捕获了利什曼原虫（Leishmania）两种关键生命阶段——前循环期（procyclic，非感染性）和后循环期（metacyclic，感染性）鞭毛体的蛋白质表达谱，其质荷比（m/z）检测范围覆盖600至9500。研究团队采用亚马逊利什曼原虫（L. amazonensis）两个克隆株的培养样本，分别取第3天（早期）和第7天（晚期）的寄生虫进行多重复实验设计（≥10组生物学重复，每组3技术重复），并依此构建了包含Clone1LB3D、Clone1LB7D、Clone2LP3D和Clone2LP7D四类标签的数据集。

利用Python 3.12平台，团队对比了三种监督分类算法：支持向量机（SVM）、人工神经网络（ANN）与随机森林（RF）。结果显示，SVM以100%的准确率实现了全样本正确分类，ANN与RF则分别达到95%和85%。混淆矩阵进一步验证SVM在不同克隆株及生长时间点均表现一致且稳健。

研究者强调，尽管模型表现出极高准确性，仍需通过外部数据集——包括其他利什曼原虫虫种、不同生长阶段及样本前处理方法——进行验证，以推动该技术向实际科研与临床鉴别应用的转化。