《Biosystems Engineering》：Unveiling host-seeking behaviour in entomopathogenic nematodes via lab-on-a-chip technology
編輯推薦：
昆蟲病原線蟲（EPN）作為生物防治劑（BCA）潛力巨大，但對其與宿主的相互作用了解有限。研究人員利用芯片實驗室技術研究 Steinernema carpocapsae 的行為，發現其會對宿主線索積極響應，該成果有助于優化其在害蟲管理中的應用。
在農業領域，害蟲的肆虐一直是困擾著農作物生長的大難題。傳統的化學防治手段雖然能在一定程度上控制害蟲數量，但也帶來了環境污染、害蟲抗藥性增強等諸多問題。昆蟲病原線蟲（Entomopathogenic nematodes，EPN）作為一種生物防治劑（Biological control agent，BCA），逐漸進入人們的視野。它具有環保、高效等優點，有望成為可持續害蟲管理的得力助手。然而，目前人們對 EPN 的生物學特性，尤其是其與宿主之間的相互作用了解還十分有限。就拿 Steinernema carpocapsae 來說，它一直被認為是 “伏擊型” 線蟲，可一些研究卻發現它似乎能控制更廣泛的害蟲，這表明我們對它的認知可能存在偏差。為了深入了解 EPN 的生態和宿主相互作用，優化其在害蟲管理中的功效，來自國外的研究人員開展了一項別具一格的研究。這項研究成果發表在《Biosystems Engineering》上，為生物防治領域帶來了新的曙光。
研究人員采用了多種先進的技術方法。首先是芯片實驗室（lab - on - a - chip）技術，設計并制造了一個微流體平臺，模擬線蟲的自然棲息地，為研究提供了精準的實驗環境。同時，利用卷積神經網絡（Convolutional neural network，CNN）來識別線蟲并分析其對宿主刺激的行為反應。此外，光學流分析技術也被用于評估線蟲的運動活性。在實驗中，研究人員選用了歐洲葡萄蛾（European grapevine moth，EGVM）幼蟲的糞便作為宿主線索，觀察 Steinernema carpocapsae 的反應。
研究結果如下：
- 行為觀察：通過顯微鏡觀察發現，在有 EGVM 糞便（宿主線索）存在時，Steinernema carpocapsae 的運動速度和轉彎頻率增加，甚至會穿越平臺到達有吸引線索的腔室，而對照組線蟲活動較少。
- CNN 模型分析：訓練的 CNN 模型能區分受刺激和未受刺激的線蟲。在視頻級分析中，模型準確率達到 0.94，精度為 1.00。雖然在幀級檢測時受背景干擾，但視頻級結果良好。
- 光學流分析：通過光學流分析計算線蟲運動的相關特征，發現 Steinernema carpocapsae 在宿主線索存在時活動更強烈。統計分析顯示，相關特征在刺激組和對照組間存在顯著差異。
- 機器學習分類器：基于光學流分析提取的特征，訓練支持向量機（Support vector machine，SVM）和多層感知器（Multilayer perceptron，MLP）分類器，二者在區分刺激和對照條件下的線蟲運動活性方面表現相似，受試者工作特征曲線下面積（Area under the curve，AUC）均為 0.71 。
研究結論和討論部分指出，該研究利用芯片實驗室技術結合 AI，為研究 EPN 行為提供了新方法。以往認為 Steinernema carpocapsae 是伏擊型線蟲，而本研究表明它具有 “巡航型” 線蟲的特征，能對宿主線索做出積極反應。這一發現改變了我們對其搜索策略的認知，有助于擴大其在生物防治中的應用范圍，可用于控制更多種類的害蟲。此外，該研究方法還可能應用于醫學診斷、生物傳感器開發等領域，對保障食品安全和環境保護具有重要意義。這項研究為生物防治領域開辟了新的道路，為可持續農業發展提供了有力的技術支持和理論依據，讓我們在與害蟲的斗爭中又多了一件 “利器” 。
