解码动物行为 科学家构建行为“字典”

一种多视角、三维自动化行为采集及分析系统问世

论文截图

蜜蜂采蜜后为什么会跳舞？猫咪在被主人抚摸时为什么会发出咕噜声？狗狗也会流眼泪？怎样才能知道，动物的脑子里究竟在想些什么？一直以来，科学家们从未停止探索动物行为的奥秘，以此研究大脑神经对行为的调控，以及在药物研发中的行为学评估。

近年来，尽管光遗传学、高通量神经电极、活体显微成像等新技术在神经科学领域获得突破性变革，但在行为观测手段上和收集方式上仍然相对简化。

5月13日，中国科学院深圳先进技术研究院脑认知与脑疾病研究所王立平、蔚鹏飞团队的最新研究成果发表于《自然—通讯》。研究团队自主研发了一种多视角、三维自动化行为采集设备，并提出一类通用动物三维行为图谱框架“Behavior Atlas”。深圳先进院王立平研究员、蔚鹏飞副研究员为该文章的共同通讯作者，在读博士生黄康、在读硕士生韩亚宁为该论文的共同第一作者，宾夕法尼亚州立大学的刘思源教授为论文的共同作者。

据了解，研究团队历时两年自主研发的行为采集设备，能够获取动物三维立体的运动姿态，并根据动物行为类似语言一样的层次结构，提出了一种层次化动物行为分解模型，将连续、复杂的行为简化为可以被人们理解的动作模块。该研究已在自闭症模型小鼠上进行了行为鉴定，成功实现在亚秒级自动精确识别其特征性的行为异常。

Behavior Atlas示意图：利用多视角、三维动物身体重建技术获取更加精准、全面的动物行为数据后，结合自动化的行为分析，用于鉴定自闭症模型小鼠的异常行为

AI加持 多视角三维展示动物行为姿态

在传统的动物行为学采集与分析中，多采用单视角并提取2~3个身体特征点的方式来拍摄和追踪动物行为。然而身体部位的遮挡容易造成视角的偏差，导致行为数据分析误差。此外，追踪点太少难以将类似四肢的精细动作准确收集。

一直以来，王立平、蔚鹏飞团队致力于用光遗传学技术探索大脑神经环路对行为的调控。自2018年起，团队开始思考利用新的机器学习等技术解决当前在动物行为学采集与分析领域存在的瓶颈。

“研究前期，我们使用传统方法对行为进行观测时发现，现有动物行为实验的数据集缺乏，人工标记原始的行为视频需要极大的工作量，极耗费时间和精力。即使对于某一物种在特定场景下构建了足够的数据集，但因不同物种和行为场景存在差异性，也让积累的数据集无法复用。”蔚鹏飞表示。

对此，结合人工智能技术，团队自主研发了多视角、三维自动化行为采集设备，能够构建动物三维、多身体部位的运动骨架，更加全面地表征动物的运动。

“与其他三维动物行为采集设备相比，我们的系统采用的相机个数、对相机性能的要求都比较低，这极大地方便了对动物三维行为数据的获取，且非常易于扩展至犬类、非人灵长类的大动物研究。”蔚鹏飞介绍。

此前，课题组博士生刘楠和韩亚宁使用该系统已成功在动物的焦虑行为分析中取得了初步进展，相关成果发表于《生物化学和生物物理研究通讯》。据了解，目前团队已经收到了国内外20多家科研机构的合作和采购意向。该技术涉及的两项专利已经授权转化，设备已经投入批量生产。

行为采集设备示意图及投入量产的设备

历时两年 构建行为“字典”

研究过程中，探索行为的本质规律，对行为进行解码，构建行为“字典”成为了团队研究的重点。

团队发现，动物在展现行为时，首先通过肢体表现出丰富的姿态，而姿态的连续变化形成了行走、跳跃、攀爬、抓挠等动作，进一步表达出动物的天性、习性、喜怒哀乐等行为。这种“姿态—动作—行为谱”的行为模型就好比语言中的“字母—单词—语句”模式，具有层级性。因此，行为数据也需要层级化收集。

想要精确地收集行为数据，就要回归行为本身，构建行为的“字典”。结合人工智能算法技术，研究团队从连续的三维行为序列中，首先对行为的姿态层进行离散化的表征，让机器识别出行为的每一个姿态，相当于构建行为的“字母表”；其次从这些姿态表征中，将具有相似排列模式的姿态序列挖掘出来，作为行为的动作层，相当于构建行为的“字典”。

“就像观测一只正在抓挠的小鼠，我们需要解构小鼠究竟挠了多少下，抓挠的时长，所在的场景等多方面，收集行为数据。”蔚鹏飞表示，根据行为的层级化表现，研究团队进一步构建了一类层次化动物行为图谱。据悉，团队在自闭症小鼠模型上进行的验证实验中，成功从分离出的40多种行为亚型中发现了自闭症小鼠模型具有的特异性行为。所构建的行为图谱在对行为数据分析后，行为结果与动物的基因型存在高度的一致性。此外，利用提取出的新的焦虑行为特征，团队也成功分离出传统的焦虑测量范式所不能有效分离的焦虑与正常动物。

目前该行为图谱仍在不断更新和完善中，针对不同物种进行研发。据了解，团队已经在非人灵长类、犬类上开展了研究，未来还将应用在猪等实验动物上。

让行为数据解答好生物学问题

行为学上的观测和量化对药物研发、疾病诊断有着重要意义。以经典的“强迫游泳实验”为例，通过观测小鼠行为，用以检测抗抑郁药物的作用。然而在该过程中，获取的行为数据不精准，使抑郁症模型的建立和评估方法存在差异，让该实验备受争议。

随着机器学习和人工智能技术的发展，旨在实现高精度、自动量化行为的“计算神经行为学”正在成为重要的新兴研究领域，我国在该领域鲜有涉足，在国际上仍然处于“跟跑”状态。该研究在计算神经行为学领域，为探索大脑对行为调控等神经活动提供了一种有效手段，进一步助力疾病诊断及药物疗效方面的评估。

中国科学院院士、浙江大学教授段树民表示，团队自主研发的三维动物高精度行为分析系统，部分填补了现有行为学分析的短板。该系统将在很大程度上拓宽动物行为研究的范式，提高行为分析的准确性和效率，其应用有望为研究精神疾病和情绪障碍的发作机制，以及各种治疗手段的临床前研发测试提供重要手段。

“长期以来，受技术的局限，我们对动物行为的观测还停留在动物‘在哪里’和‘跑多快’，而不知道动物在‘干什么’。基于目前我们团队研发的精细化动物行为检测与分析系统，我们能够更加客观、准确、全面地测量特定神经环路操控下、药物作用下以及基因操控下，动物行为变化特征及对应关系， 从而可以进一步推动大脑认知机制、类脑智能以及脑疾病药物新药研发等研究领域的研究。”王立平表示。

下一步，研究团队计划将Behavior Atlas与微型化在体双光子荧光显微成像技术、高通量神经电生理等技术相结合，在活体、长时程观测情况下，研究神经元功能网络，以及各种脑内神经递质如何精细地编码特定的行为。