Neurosci Bull | 机器学习解码动物行为，精准识别压力水平

在现代社会，压力越来越成为许多疾病的重要诱因，包括焦虑、抑郁等情绪障碍，以及心血管疾病和认知损伤。在应激研究中，实验动物（如小鼠）扮演着关键角色。然而，如何精确地量化动物因压力而产生的行为变化，一直是一个重大的挑战。传统的方法通常只关注单一简化的行为指标（如在旷场中央停留的时间），这些方法难以捕捉到行为反应的复杂性和连续性。随着人工智能和机器学习（ML）技术的发展，为复杂生物数据的分析提供了新的可能。

2024 年 5 月 24 日，中科院深圳先进院王立平、曾渝婷与河北大学刘秀玲团队联合在《Neuroscience Bulletin》发表了题为 “ A Machine Learning Approach for Behavioral Recognition of Stress Levels in Mice ” 的研究论文。该研究的意义在于探索是否可以开发一个基于机器学习的自动化系统，该系统能够通过分析小鼠的自发行为模式，来客观、准确地识别和区分不同的压力水平。

研究团队首先通过不同时长的强迫性应激实验在小鼠身上诱导出不同程度的压力。 研究人员将 84 只小鼠分为 7 组，一组为对照组（Ctrl），另外六组分别接受不同时长（1、2、3、4、5、6 分钟）的悬尾测试（Tail Suspension Test, TST），以此来建立一个压力水平梯度模型（图 1A, B）。

在应激测试结束后，立即将每只小鼠放入一个由四个摄像头环绕的开放场地（open-field field）中，记录其 15 分钟的自由探索行为（图 1C）。研究团队利用一个名为“ 行为图谱（Behavior Atlas, BeA） ”的 3D 运动学习框架，对小鼠在应激后的自发行为进行捕捉和无监督聚类，并将其分解为 40 种精细的“行为基序”（behavioral motifs，图 1D, E）。同时，通过计算每只小鼠在 15 分钟内，这 40 种行为基序所占的比例，形成了一个高维度的行为特征数据（图 1G）。

随后的相关性分析结果显示，通过 BeA 框架识别出的每种行为均表现出较高的簇内相关性（红色）和较低的簇间相关性（蓝色，图 1F），证明该框架的聚类效果好。并且在不同压力组中，行为分布也发生了变化（图 1H），说明不同压力水平确实影响着小鼠的行为模式。

更进一步地，为了研究压力水平是否会对后续自发行为产生累积效应，研究团队分析了这 40 个行为基序的分布特征，并对比了三种广泛使用的机器学习降维算法（t-SNE, UMAP, LDA）处理高维行为数据的能力。研究表明，相比于 t-SNE 和 UMAP 降维，线性判别分析（Linear Discriminant Analysis，LDA）能更好地区分不同压力组，尤其是 Ctrl 组和压力组（图 1I-K），说明 LDA 在高维行为数据的降维和聚类方面展现出压倒性的优势，基于降维结果的支持向量机（SVM）分类器也证明了这一结果（图 1L, M）。这些结果证明，不同时长的应激源确实会对后续的自发行为产生可区分的累积效应。

总的来说，该研究成功开发并验证了一种基于机器学习的方法，该方法通过“ 行为图谱（BeA）” 框架捕捉小鼠的精细行为，并结合线性判别分析（LDA）和支持向量机（SVM），能够高效且准确地识别由不同应激时长引起的累积压力水平。这项研究的成功，将为压力相关疾病的早期诊断和预防策略的开发提供一种强大的新工具，并推动神经行为学研究进入更精细、更量化的阶段。

一湾生命科技（BAYONE）的创新产品—— BehaviorAtlas 3D-AI 动物行为分析系统，依托多视角深度摄像头和先进的 AI 算法，实现了对实验动物无标记的 3D 骨架动态追踪和无偏见的精细行为谱识别。从焦虑、抑郁、自闭症等复杂精神疾病的动物模型评估，到神经退行性疾病的早期行为表型筛查，再到新药研发的药效评价，BehaviorAtlas 都能提供前所未有的深度和广度。我们的产品还在许多优秀的研究工作中得到验证，如果您希望深入了解其在动物行为研究中的应用，我们非常欢迎您进一步探索！

为了帮助您获取更多信息，我们提供了便捷的联系方式。您可以通过公众号私信与我们交流，或者直接扫描下方的微信二维码，我们的专业团队将竭诚为您提供更多信息和帮助。