学习算法估计并检测暴露于最小剂量的有毒物质的中的运动异常

科学领域:

• 环境毒理学环境毒理学
• 计算生物学 计算生物学
• 行为生态学 行为生态学

背景情况:

• 农药暴露,即使是低剂量,也对生态系统构成风险.
• 杀虫剂对非目标生物的微致命作用需要敏感的检测方法.
• 运动行为异常可以表明昆虫的生理压力.

研究的目的:

• 验证机器学习 (ML) 用于检测暴露在最低杀虫剂水平的昆虫中的运动异常.
• 评估ML算法在识别农药诱导的行为变化的有效性.
• 建立一种监测农药对昆虫运动功能的次致命影响的方法.

主要方法:

• 地中海果 (Ceratitis capitata) 暴露在Carlina acaulis精油的低度中.
• 深度学习被用于从视频录制中估计姿势.
• 五个ML算法被训练在手工制作的姿势衍生特征上,以分类暴露的.

主要成果:

• 随机森林和K-最近邻近算法显示出最佳性能.
• 在ROC曲线下的面积达到0.75 (随机森林) 和0.73 (K-最近邻居).
• 这两种顶级算法在区分被处理的方面都实现了0.71的准确性.

结论:

• 机器学习有效地检测了昆虫杀虫剂暴露对昆虫运动行为的次致命影响.
• 这种方法为环境监测和风险评估提供了一个有前途的工具.
• 了解这些影响对于更广泛的环境和生物健康至关重要.