EUVIMEDEUVIMED entdecken
Open Access · CC BY 4.0

ATR-FTIR Spectroscopy Combined with Machine Learning Enables Detection of Schistosomiasis-Associated Biochemical Signatures in Human Serum

ATR-FTIR-Spektroskopie kombiniert mit Machine Learning ermöglicht den Nachweis schistosomiasisassoziierter biochemischer Signaturen im Humanserum

Victor Freire Ferreira de Aguilar, Tatyane Martins Cirilo, Douglas Carvalho Caixeta, Ana Cristina Loiola Ruas, Josiane Aparecida Martiniano de Pádua, Jorge Lucas Nascimento Souza, Dharliton Soares Gomes, Stefan Michael Geiger, Elainne Christine de Souza Gomes, José Candido Ferraz, Murillo Guimarães Carneiro, Ana Laura Grossi de Oliveira und 3 weitere

ACS Infectious Diseases · 16.10.2026

DOI: 10.1021/acsinfecdis.6c00559 ↗

Auf einen Blick

Bei 112 Serumproben zeigte ATR-FTIR kombiniert mit Machine Learning eine Erkennung von Schistosomiasis-assoziierten Signaturen mit guter, aber moderater Leistung. Die beste Klassifikation lag bei einer AUC von 0,83.

Fragestellung

Kann ATR-FTIR-Spektroskopie kombiniert mit Machine Learning Schistosomiasis-assoziierte biochemische Signaturen im Humanserum erkennen?

Methode

112 Serumproben von 54 infizierten und 58 nicht infizierten Personen; ATR-FTIR-Spektren mit überwachten Machine-Learning-Algorithmen klassifiziert.

Ergebnisse

Im Initial-Validierungstest erreichte der beste Ansatz 0,80 Genauigkeit, 0,81 Sensitivität, 0,79 Spezifität, AUC 0,83 und F1-Score 0,80. In der nested cross-validation: 0,76 ± 0,07 Genauigkeit, 0,76 ± 0,16 Sensitivität, 0,77 ± 0,19 Spezifität, AUC 0,83 ± 0,11, F1-Score 0,76 ± 0,08.

Einschränkungen

Reduzierte Leistung in der Cross-Site-Auswertung; geografische und kohortenbezogene Variation als mögliche Einschränkung der Generalisierbarkeit.

Schlussfolgerung der Autor:innen

ATR-FTIR-Spektroskopie kombiniert mit Machine Learning zeigt Potenzial als schnelle, reagenzienfreie und minimal probennötige ergänzende Methode zum Screening auf Schistosomiasis.

Kernaussagen

  • Beste Initialleistung: AUC 0,83, Genauigkeit 0,80
  • Nested cross-validation: AUC 0,83 ± 0,11
  • Cross-Site-Leistung reduziert; Generalisierbarkeit begrenzt

Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.

Kurz gefasst

Fachartikel in der Zeitschrift ACS Infectious Diseases, online erschienen am 16.10.2026. Verfasst von Victor Freire Ferreira de Aguilar und 14 weiteren Autor:innen. Beteiligte Einrichtung: Department of Parasitology, Institute of Biological Sciences, Federal University of Minas Gerais, Belo Horizonte31270-901, Brazil. Hauptthemen laut MEDLINE: Machine Learning, Schistosomiasis, Schistosomiasis mansoni. Die Arbeit nennt 74 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0). Gefördert von: Conselho Nacional de Desenvolvimento Cient?fico e Tecnol?gico, Funda??o de Amparo ? Pesquisa do Estado de Minas Gerais, Fundação de Amparo à Pesquisa do Estado de Minas Gerais.

Auf einen BlickAbstractSchlagwörterBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Schistosomiasis, caused by Schistosoma mansoni, remains a major public health burden in endemic regions, demanding rapid and reliable diagnostic strategies. Here, we report a label-free diagnostic platform based on attenuated total reflectance Fourier transform infrared (ATR-FTIR) spectroscopy combined with machine learning for the detection of infection-associated biochemical signatures in human serum. A total of 112 serum samples (54 infected and 58 noninfected individuals) were analyzed, with parasitological examination revealing only S. mansoni eggs in all positive samples, with no other parasitic coinfections detected. Spectral data were preprocessed and classified using supervised machine learning algorithms. First-derivative preprocessing combined with a Random Forest classifier showed the best performance in the initial cross-validation analysis, achieving 0.80 accuracy, 0.81 sensitivity, 0.79 specificity, an area under the curve (AUC) of 0.83, and an F1-score of 0.80. To further assess model robustness, nested cross-validation yielded an accuracy of 0.76 ± 0.07, sensitivity of 0.76 ± 0.16, specificity of 0.77 ± 0.19, AUC of 0.83 ± 0.11, and F1-score of 0.76 ± 0.08, providing a more conservative estimate of performance. SHapley Additive exPlanations (SHAP) analysis identified spectral regions associated with proteins, nucleic acids, and carbohydrates that contributed to model predictions. Additional sensitivity analyses indicated spectral differences between endemic-area and nonendemic-area controls and reduced performance in cross-site evaluation, highlighting geographic and cohort-related variation as a potential limitation to model generalizability. Overall, ATR-FTIR spectroscopy combined with machine learning shows potential as a rapid, reagent-free, and minimally sample-intensive complementary approach for schistosomiasis screening, warranting validation in larger, geographically diverse cohorts.

Schlagwörter

MeSH-Schlagwörter (MEDLINE)

Machine LearningSchistosomiasisSchistosomiasis mansoniHumansSpectroscopy, Fourier Transform InfraredAnimalsSchistosoma mansoniFemaleSensitivity and SpecificityMaleAdult

Stichwörter der Autor:innen

Schistosoma mansoniDisease screeningRandom ForestSerumSpectroscopy

Autor:innen und Institutionen

  • Department of Parasitology, Institute of Biological Sciences, Federal University of Minas Gerais, Belo Horizonte31270-901, Brazil.
  • Innovation Center in Salivary Diagnostics and Nanobiotechnology (SalivaNano), Department of Physiology, Institute of Biomedical Sciences, Federal University of Uberlândia, Uberlândia, Minas Gerais38400-902, Brazil.
  • Graduate Program in Health Sciences: Infectious Diseases and Tropical Medicine, School of Medicine, Federal University of Minas Gerais, Belo Horizonte30130-100, Brazil.
  • Department of Preventive Veterinary Medicine, School of Veterinary Medicine, Federal University of Minas Gerais, Belo Horizonte31270-901, Brazil.
  • Department of Parasitology, Aggeu Magalhães Institute/FIOCRUZ, Recife50740-465, Brazil.
  • Vitória de Santo Antão Academic Center, Federal University of Pernambuco, Recife55608-680, Brazil.

ORCID-Profile: Lilian Lacerda Bueno, Ricardo Toshio Fujiwara

Förderung

  • Conselho Nacional de Desenvolvimento Cient?fico e Tecnol?gico
  • Funda??o de Amparo ? Pesquisa do Estado de Minas Gerais
  • Fundação de Amparo à Pesquisa do Estado de Minas Gerais
  • Conselho Nacional de Desenvolvimento Científico e Tecnológico

Zitieren

APA

de Aguilar, V. F. F., Cirilo, T. M., Caixeta, D. C., Ruas, A. C. L., de Pádua, J. A. M., Souza, J. L. N., Gomes, D. S., Geiger, S. M., Gomes, E. C. S., Ferraz, J. C., Carneiro, M. G., Grossi de Oliveira, A. L., Bueno, L. L., Sabino-Silva, R., & Fujiwara, R. T. (2026). ATR-FTIR Spectroscopy Combined with Machine Learning Enables Detection of Schistosomiasis-Associated Biochemical Signatures in Human Serum. ACS Infectious Diseases. https://doi.org/10.1021/acsinfecdis.6c00559

Vancouver

de Aguilar VFF, Cirilo TM, Caixeta DC, Ruas ACL, de Pádua JAM, Souza JLN, et al. ATR-FTIR Spectroscopy Combined with Machine Learning Enables Detection of Schistosomiasis-Associated Biochemical Signatures in Human Serum. ACS Infectious Diseases. 2026. doi:10.1021/acsinfecdis.6c00559

BibTeX
@article{deAguilar2026,
  author = {de Aguilar, Victor Freire Ferreira and Cirilo, Tatyane Martins and Caixeta, Douglas Carvalho and Ruas, Ana Cristina Loiola and de Pádua, Josiane Aparecida Martiniano and Souza, Jorge Lucas Nascimento and Gomes, Dharliton Soares and Geiger, Stefan Michael and Gomes, Elainne Christine de Souza and Ferraz, José Candido and Carneiro, Murillo Guimarães and Grossi de Oliveira, Ana Laura and Bueno, Lilian Lacerda and Sabino-Silva, Robinson and Fujiwara, Ricardo Toshio},
  title = {ATR-FTIR Spectroscopy Combined with Machine Learning Enables Detection of Schistosomiasis-Associated Biochemical Signatures in Human Serum},
  journal = {ACS Infectious Diseases},
  year = {2026},
  doi = {10.1021/acsinfecdis.6c00559}
}
Kostenlos starten →