基于人工智能的恶性疟原虫孢子运动模式解码

《Scientific Reports》：Artificial intelligence powered decoding of Plasmodium falciparum sporozoite motility patterns

　　

摘要

恶性疟原虫的感染性蚊子阶段——孢子体，是疫苗诱导产生的内源性抗体或外源性单克隆抗体治疗的重要靶标，因此受到广泛研究。这类单细胞原生动物具有极高的运动能力，能够穿过组织，从而实现从蚊子叮咬皮肤到感染肝脏肝细胞的转变。正因如此，孢子体的运动能力被视为决定其存活能力、感染力以及治疗效果的关键因素。为评估在疟疾昆虫培养室中培育的寄生虫批次的质量，并监测新型疟疾疗法的效果，需要一种标准化工具来快速检测孢子体的感染力。此前，我们设计了基于视频的运动分析技术（SMOOT），该技术可输出多项运动学指标（共9项）。基于26,682条孢子体运动轨迹所获得的SMOOT指标数据（其中80%用于训练），我们现在开发了一种基于人工智能的无监督运动指数模型，该模型能够准确捕捉孢子体质量的细微差别，同时保留丰富的数据信息。该人工智能模型通过重建损失、稳定性及鲁棒性评估等常见的人工智能验证方法进行了正式验证。此外，我们还运用数据驱动分析方法，结合现有的单克隆抗体对孢子体的抑制范围，证明了该模型在控制恶性疟原虫孢子体批次质量以及记录抗体抑制效果方面的应用潜力。