| Data: |
2023 |
| Resum: |
Els mosquits (Diptera: Culicidae) actuen com a vectors de diversos patògens que causen greus malalties com la malària, el dengue, la febre groga, el Zika, el chikungunya o la febre del Nil Occidental, i són responsables de centenars de milers de morts humanes cada any. La vigilància de mosquits permet recopilar informació rellevant sobre el vector que és crucial per a establir llindars d'intervenció per al seu control i avaluar l'eficàcia d'aquestes intervencions. Els mètodes tradicionals de vigilància són molt laboriosos i requereixen entomólogos experts, així com un mínim d'infraestructura de laboratori. A més, no permeten un seguiment temporal precís de les poblacions de mosquits. Al llarg de la present tesi, un prototip de sensor òptic acoblat a l'entrada d'un parany de mosquits, va ser entrenat amb tècniques d'aprenentatge automàtic sobre una gran base de dades de vols de mosquits de les espècies vectoras Aedes albopictus i Culex pipiens, en diferents condicions de cria i ambientals, per a diferents tasques de classificació: i) la identificació del gènere i sexe del mosquit en condicions de laboratori; ii) la identificació de mosquits sobre altres insectes i la classificació del gènere i sexe d'aquests mosquits en el camp; iii) l'estimació de l'edat del mosquit; i iv) la identificació de mosquits infectats per arbovirus. L'objectiu era desenvolupar una eina fiable per al seguiment automatitzat i remot de poblacions de mosquits Aedes i Culex, superant així algunes de les limitacions dels mètodes tradicionals de vigilància i proporcionant informació entomològica rellevant i precisa amb una alta resolució temporal. El sistema de classificació desenvolupat va ser altament precís per a classificar el gènere i el sexe dels mosquits en condicions de laboratori, amb un 94,2% d'exactitud per al gènere i un 99,4% per al sexe de Aedes; i un 100% per al sexe de Culex. En el camp, el sistema va ser capaç de distingir els mosquits Aedes i Culex d'altres insectes que van entrar en el parany amb un 95,5% de precisió i una baixa taxa de falsos positius; i de classificar el gènere i el sexe d'aquests mosquits amb un 88,8% de precisió. La classificació per edat de les femelles de Cx. pipiens va ser avaluada, mostrant un 74,7% de precisió per a distingir entre mosquits joves (de 2 a 4 dies) i mosquits majors (de 7 a 16 dies). En aquest cas, també es va avaluar una tècnica molecular basada en perfils genètics, mostrant un error absolut mitjà de 3,8 dies en la predicció de l'edat. Per a l'assaig d'infecció, el sistema es va entrenar per a diferenciar Ae. albopictus infectats per Zika dels no infectats, mostrant un 63,0% de precisió en la classificació. L'acompliment del sistema va dependre de la tasca de classificació, així com del nombre de mostres utilitzades per a entrenar el model i de la combinació de variables extretes del vol i algorismes de classificació. Algunes tasques, com la classificació de gènere i sexe, van obtenir molt bons resultats tant en condicions de laboratori com de camp, la qual cosa va constituir una prova de concepte de l'alt rendiment del sistema per a la vigilància de Aedes i Culex en camp. Altres tasques, com la classificació de mosquits per edat o estat d'infecció, encara requeririen més mostres d'entrenament per a millorar la seva precisió, però els resultats obtinguts van ser prometedors. En conjunt, la present tesi ha contribuït a millorar el coneixement sobre l'estat actual de la vigilància de mosquits i ha aplanat el camí per a futures recerques en biologia de vectors. |
| Resum: |
Los mosquitos (Diptera: Culicidae) actúan como vectores de varios patógenos que causan graves enfermedades como la malaria, el dengue, la fiebre amarilla, el Zika, el chikungunya o la fiebre del Nilo Occidental, y son responsables de cientos de miles de muertes humanas cada año. La vigilancia de mosquitos permite recopilar información relevante sobre el vector que es crucial para establecer umbrales de intervención para su control y evaluar la eficacia de dichas intervenciones. Los métodos tradicionales de vigilancia son muy laboriosos y requieren entomólogos expertos, así como un mínimo de infraestructura de laboratorio. Además, no permiten un seguimiento temporal preciso de las poblaciones de mosquitos. A lo largo de la presente tesis, un prototipo de sensor óptico acoplado a la entrada de una trampa de mosquitos, fue entrenado con técnicas de aprendizaje automático sobre una gran base de datos de vuelos de mosquitos de las especies vectoras Aedes albopictus y Culex pipiens, en diferentes condiciones de cría y ambientales, para diferentes tareas de clasificación: i) la identificación del género y sexo del mosquito en condiciones de laboratorio; ii) la identificación de mosquitos sobre otros insectos y la clasificación del género y sexo de esos mosquitos en el campo; iii) la estimación de la edad del mosquito; y iv) la identificación de mosquitos infectados por arbovirus. El objetivo era desarrollar una herramienta fiable para el seguimiento automatizado y remoto de poblaciones de mosquitos Aedes y Culex, superando así algunas de las limitaciones de los métodos tradicionales de vigilancia y proporcionando información entomológica relevante y precisa con una alta resolución temporal. El sistema de clasificación desarrollado fue altamente preciso para clasificar el género y el sexo de los mosquitos en condiciones de laboratorio, con un 94,2% de exactitud para el género y un 99,4% para el sexo de Aedes; y un 100% para el sexo de Culex. En el campo, el sistema fue capaz de distinguir los mosquitos Aedes y Culex de otros insectos que entraron en la trampa con un 95,5% de precisión y una baja tasa de falsos positivos; y de clasificar el género y el sexo de esos mosquitos con un 88,8% de precisión. La clasificación por edad de las hembras de Cx. pipiens fue evaluada, mostrando un 74,7% de precisión para distinguir entre mosquitos jóvenes (de 2 a 4 días) y mosquitos mayores (de 7 a 16 días). En este caso, también se evaluó una técnica molecular basada en perfiles genéticos, mostrando un error absoluto medio de 3,8 días en la predicción de la edad. Para el ensayo de infección, el sistema se entrenó para diferenciar Ae. albopictus infectados por Zika de los no infectados, mostrando un 63,0% de precisión en la clasificación. El desempeño del sistema dependió de la tarea de clasificación, así como del número de muestras utilizadas para entrenar el modelo y de la combinación de variables extraídas del vuelo y algoritmos de clasificación. Algunas tareas, como la clasificación de género y sexo, obtuvieron muy buenos resultados tanto en condiciones de laboratorio como de campo, lo que constituyó una prueba de concepto del alto rendimiento del sistema para la vigilancia de Aedes y Culex en campo. Otras tareas, como la clasificación de mosquitos por edad o estado de infección, aún requerirían más muestras de entrenamiento para mejorar su precisión, pero los resultados obtenidos fueron prometedores. En conjunto, la presente tesis ha contribuido a mejorar el conocimiento sobre el estado actual de la vigilancia de mosquitos y ha allanado el camino para futuras investigaciones en biología de vectores. |
| Resum: |
Mosquitoes (Diptera: Culicidae) act as vectors of several pathogens that cause serious diseases such as malaria, dengue, yellow fever, Zika, chikungunya, or West Nile fever, accounting for hundreds of thousands of human deaths every year. Mosquito surveillance allows to gather relevant information about the vector (presence, distribution, status, abundance, seasonal activity, longevity, pathogen circulation, etc) which is crucial to stablish intervention thresholds for vector control actions and to evaluate their efficacy. Traditional surveillance methods are very labour-intensive and require expert entomologists as well as a minimum of laboratory infrastructure. Besides, they do not allow a fine time-scale monitoring of mosquito populations. Along the present thesis, an optical sensor prototype coupled to the entrance of a mosquito trap, was trained with machine learning techniques on a large database of mosquito flights from the vector species Aedes albopictus and Culex pipiens, at different raising and environmental conditions, for different classification tasks: i) the identification of mosquito genus and sex in laboratory conditions; ii) the identification of mosquitoes over other insects and the classification of the genus and sex of those mosquitoes in the field; iii) the estimation of mosquito's age; and iv) the identification of arbovirus-infected mosquitoes. The objective was to develop a ready-to-use reliable tool for the automated remote monitoring of Aedes and Culex mosquito populations, thus overcoming some of the current limitations of traditional surveillance methods and providing accurate relevant entomological information with high time resolution. The developed classification system was highly accurate to classify mosquito genus and sex in laboratory conditions, reporting 94. 2% of accuracy for genus and 99. 4% for sex of Aedes; and 100% for sex of Culex. In the field, the system was able to distinguish mosquito species from Aedes and Culex genus over other insects that entered the trap with 95. 5% of balanced accuracy and a low rate of false positives; and to classify the genus and sex of those mosquitoes with 88. 8% of balanced accuracy. Age classification of female Cx. pipiens mosquitoes was assessed in the laboratory showing 74. 7% of accuracy to distinguish between young mosquitoes (2-4 days of age) and older mosquitoes (7-16 days of age). In this case, also a molecular technique based on gene profiling was assessed for age-grading in Cx. pipiens showing a mean absolute error of 3. 8 days in age prediction. For the arbovirus infection assay, the classification system was trained on differentiating Zika-infected from non-infected Ae. albopictus, showing 63. 0% of classification accuracy. The accuracy of the developed system was dependent on the classification task pursued, so as in the number of samples used for training the model, and the combination of extracted flight features and machine learning algorithms used. Some classification tasks, such as genus and sex classification, obtained high accuracy results in both laboratory and field conditions, which was a proof of concept of the system's high-performance to monitor Aedes and Culex mosquito populations in the field. Other tasks such as the classification of mosquitoes by age or infection status, which were never assessed before by the means of optical sensors, would still require more training samples to improve their classification accuracy, but promising results were obtained. Overall, the present thesis has contributed to improve the current state of art of mosquito surveillance and has paved the way for future vector biology research. |
| Nota: |
Universitat Autònoma de Barcelona. Programa de Doctorat en Medicina i Sanitat Animals |
| Drets: |
L'accés als continguts d'aquesta tesi queda condicionat a l'acceptació de les condicions d'ús establertes per la següent llicència Creative Commons:  |
| Llengua: |
Anglès |
| Col·lecció: |
Programa de Doctorat en Medicina i Sanitat Animals |
| Document: |
Tesi doctoral ; Text ; Versió publicada |
| Matèria: |
Mosquits ;
Mosquito ;
Mosquitos ;
Entomologia ;
Entomology ;
Entomología ;
Vectors ;
Vectores ;
Ciències Experimentals ;
Tecnologies |
visitant ::
identificació
dir.
