Rapid host species identification from dried bloodspots of Culex mosquito blood meals using Mid-Infrared Spectroscopy

Sintesi Tecnica: Identificazione Rapida della Specie dell'Ospite dai Pasti di Sangue di Zanzara Culex mediante Spettroscopia Mid-Infrarossa

Definizione del Problema
Comprendere le preferenze di alimentazione ematica delle zanzare è fondamentale per inferire la dinamica di trasmissione dei patogeni trasmessi da vettori e per ottimizzare le strategie di intervento. Sebbene le zanzare del genere Culex siano i vettori primari per patogeni ad alta priorità multi-ospite (ad es., virus dell'encefalite giapponese, virus del Nilo occidentale, filariosi), i loro modelli di alimentazione sono meno studiati rispetto a generi come Anopheles. Gli attuali metodi "gold-standard" per l'identificazione della fonte del pasto ematico — tecniche basate sul DNA (PCR, sequenziamento) e saggi basati su antigeni (ELISA) — sono spesso costosi, richiedono tempi lunghi, necessitano di capacità di laboratorio specializzate e soffrono di una ridotta accuratezza man mano che i pasti ematici vengono digeriti o degradati. Esiste una specifica necessità di un'alternativa rapida, economica e scalabile che funzioni efficacemente in contesti a basse risorse e che possa gestire campioni di specie Culex, che non sono stati precedentemente analizzati con questo approccio.

Metodologia
Lo studio ha impiegato un approccio in due fasi per sviluppare e validare una pipeline di Spettroscopia Mid-Infrarossa accoppiata al Machine Learning (MIRS-ML) utilizzando Dried Blood Spots (DBS - macchie di sangue essiccato).

1. Sviluppo del Modello di Laboratorio:

   • Generazione dei Campioni: Zanzare Culex quinquefasciatus allevate in laboratorio sono state nutrite con sangue di sei specie ospiti: uomo, maiale, pollo, bovino, cane e cavallo. Il sangue è stato raccolto tramite un sistema di alimentazione a membrana utilizzando sangue anticoagulato.
   • Creazione dei DBS: Il contenuto addominale è stato trasferito su cartine Whatman™ 903 Proteinsaver a 6, 12, 24 e 30 ore post-alimentazione per simulare la digestione.
   • Spettroscopia: I campioni sono stati scansionati utilizzando uno spettrometro FTIR Bruker ALPHA (intervallo 400–4000 cm⁻¹).
   • Elaborazione dei Dati: Gli spettri sono stati pre-elaborati per rimuovere le regioni influenzate dal substrato della cartina (900–1100 cm⁻¹) e dalla CO₂ atmosferica (1800–2200 cm⁻¹).
   • Machine Learning: Sono stati testati sette algoritmi di ML supervisionato. Un Multilayer Perceptron (MLP) è stato selezionato come il modello ottimale dopo l'ottimizzazione degli iperparametri tramite grid search e cross-validazione a 5 pieghe (5-fold). Il modello è stato addestrato sull'80% dei dati e validato su un set di test del 20% tenuto separato.

2. Validazione sul Campo:

   • Raccolta: Zanzare nutrite di sangue sono state raccolte da siti sul campo nelle Filippine (Central Luzon e Cordillera) e in Australia (Queensland) utilizzando trappole con CO₂.
   • Standard di Riferimento: L'identificazione dell'ospite per i campioni sul campo è stata eseguita tramite estrazione di DNA, PCR universale per vertebrati (target COI) e sequenziamento Sanger.
   • Applicazione: Il modello MLP addestrato in laboratorio è stato applicato agli spettri FTIR dei DBS raccolti sul campo per predire la specie dell'ospite.
   • Soglia di Probabilità: Lo studio ha valutato l'uso di punteggi di probabilità del modello per filtrare le predizioni a bassa confidenza, con l'obiettivo di migliorare l'accuratezza escludendo i campioni incerti.

Risultati Chiave

• Performance di Laboratorio: L'ottimizzato modello MLP ha raggiunto un'accuratezza del 93,6% nella predizione della specie dell'ospite dai DBS di Cx. quinquefasciatus allevate in laboratorio, superando significativamente la classificazione casuale (16,7%). L'accuratezza variava leggermente per ospite (89% per il cane a 97% per il maiale) e è diminuita moderatamente al traguardo di 30 ore di digestione (OR = 0,32 per la classificazione corretta rispetto ai punti temporali precedenti).
• Performance sul Campo: Applicato ai campioni raccolti sul campo con ospiti noti (validati tramite PCR), il modello ha raggiunto un'accuratezza del 67,9%. Questa minore performance è attribuita alle differenze tra le condizioni di laboratorio e quelle sul campo, tra cui l'assenza di anticoagulanti nei campioni sul campo, l'alimentazione diretta da ospiti vivi anziché da membrane e i tempi di digestione sconosciuti.
• Soglia di Probabilità: L'applicazione di una soglia di probabilità di 0,73 ai campioni sul campo ha migliorato l'accuratezza della classificazione al 78% per gli ospiti noti, sebbene ciò abbia richiesto il filtraggio del 21% dei campioni (40 campioni).
• Generalizzabilità: Il modello, addestrato su Cx. quinquefasciatus, ha predetto con successo le specie dell'ospite per altri generi (ad es., Aedes e Armigeres) raccolti sul campo, identificando correttamente 6 su 10 specie non target.
• Confronto con la PCR: Nel dataset del campo nelle Filippine, il 29,6% dei campioni ha fallito l'amplificazione tramite PCR, mentre il MIRS-ML ha fornito predizioni per tutti i campioni, suggerendo una maggiore utilità per campioni degradati o in fase di digestione avanzata.

Contributi Chiave

• Prima Applicazione a Culex: Questo studio rappresenta la prima applicazione di MIRS-ML per identificare le fonti del pasto ematico in zanzare del genere Culex, un genere di crescente preoccupazione per le malattie trasmesse da vettori.
• Utilità dei DBS: Dimostra la viabilità dell'utilizzo di Dried Blood Spots su carta da filtro come mezzo di conservazione stabile a temperatura ambiente per l'analisi MIRS, superando le sfide di conservazione associate alle zanzare essiccate.
• Scalabilità: Il metodo offre un'alternativa rapida al sequenziamento; la scansione di 203 DBS ha richiesto un giorno lavorativo, rispetto ai 15 giorni lavorativi del flusso di lavoro del sequenziamento genico.
• Efficacia dei Costi: L'approccio utilizza un singolo strumento (spettrometro FTIR) senza costi continui di reagenti, rendendolo adatto ad ambienti a basse risorse.

Significato e Rivendicazioni
L'articolo sostiene che il MIRS-ML con DBS sia uno strumento pratico e scalabile per l'analisi del pasto ematico che può migliorare la comprensione delle interazioni ospite-vettore per patogeni come il virus dell'encefalite giapponese. Gli autori postulano che, sebbene l'accuratezza sul campo sia attualmente inferiore a quella di laboratorio, la capacità del metodo di funzionare senza infrastrutture molecolari specializzate e il suo successo con campioni degradati lo rendano uno strumento prezioso per i programmi di sorveglianza. Lo studio suggerisce che un ulteriore sviluppo del modello, in particolare l'integrazione di campioni raccolti sul campo nei set di addestramento e l'espansione dell'intervallo di ospiti identificabili, potrebbe migliorare l'accuratezza della classificazione. Gli autori concludono che questo metodo promette di essere un'alternativa economica alla PCR per la sorveglianza su larga scala delle malattie trasmesse da vettori, particolarmente in regioni in cui le dinamiche di trasmissione dei patogeni stanno cambiando a causa del cambiamento climatico e della globalizzazione.