神经科学研究的核心目标就是理解大脑与行为的关系。我们通过各种脑信息活动读取手段检测其与行为的对应关联，进而利用对神经环路特定的调控来干预行为。近10年来，以光遗传学、高通量神经电极、活体显微成像为代表的新技术为神经科学研究带来了变革式的发展，但是我们对行为的观测和量化手段仍相对简化，已经成为对神经科学持续深入理解的瓶颈之一，例如经典的小鼠强迫游泳实验是否可以完全反映抑郁症的表型存在巨大争议。随着机器学习和人工智能技术的发展，目标高精度、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，有望带来对神经环路功能研究范式上的变革，甚至可能成为未来分析各种脑疾病动物模型表型和临床前药物研发必不可少的环节。发展计算神经行为学新技术是《美国脑科学计划2.0》重要的组成部分之一，包括哈佛大学、卡耐基梅隆大学、德国马普所等全球多个顶级研究团队正在这一领域激烈竞争，可预期未来10年神经科学研究中对行为分析的标准将被重新定义，但目前我国脑科学研究在此技术领域目前仍仅处于“跟跑”状态。
为了更好的分析动物行为，近年来涌现出了包括DeepLabCut在内大量的动物姿态估计工具包，这些工具包可以从视频中提取动物身体的几十个身体部位的轨迹。然而这些高维、连续的行为轨迹并不能直接被人们理解，也无法对应到具有生物学意义的行为模块（例如，行走、理毛、攀爬等）。只有将这些行为轨迹转换为客观、可量化的行为指标，才能为回答生物学问题提供数据支撑。
2021年5月13日，中国科学院深圳先进技术研究院王立平、蔚鹏飞团队在Nature Communications上在线发表了题为“A Hierarchical 3D-motion Learning Framework for Animal Spontaneous Behavior Mapping”的研究论文。该研究提出了一个自动化无监督的动物三维行为分析系统Behavior Atlas，并通过其发现了潜在的孤独谱系障碍小鼠模型的疾病相关刻板行为。
对于小鼠在内的多数实验动物来说，目前缺乏足够的标注好的数据集供机器学习算法训练模型，基于大数据有监督学习的方法难以适用。Behavior Atlas采用无监督的方法对行为序列聚类，结合事后的人工注释有效解决了该问题。聚类之前需要先将连续的行为序列分割成离散的模块。由于行为受神经活动控制而产生，大脑的神经活动已被证明具有层次化多尺度的控制机制以及动态性。但大多数同类方法忽略了行为的动态性，采用单帧或定长滑窗的方法进行分割。这不仅破坏了行为的动态结构，还不具备灵活的时间尺度，这导致行为与神经活动关联分析时无法匹配。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技术解决当前计算神经行为学领域的瓶颈。
Behavior Atlas遵循了照动物行为的自然结构设计（图1），此系统主要创新性包括：
1）研发多视角相机三维行为采集设备，获取动物行为的三维运动结构（图1a，视频1）
2）使用动态时间对齐核化算法，根据行为的动态相似性，保留动物行为的动态结构（图1b）；
3）分解动物行为的肢体动作与运动速度，描述行为的并行结构（图1b，1c）；
4）基于层次化方法，将动物行为类比人类语言，分解为姿态（字母）、动作（音节）和行为图谱（句子），表征行为的层次结构（图1b，1d，视频2，视频3）。
图1BehaviorAtlas行为分析系统示意图。a数据源：通过四个相机从不同视角拍摄动物行为视频，然后利用DeepLabcut对每个视角分别进行三维重建，最后基于三维重建基础构建动物身体骨架序列。b,c并行-二阶行为分解用于提取动物运动特征。b用于提取高维的non-locomotormovement（NM，非位移动作）特征，通过逐层提取的方式对姿态和NM进行了分解与二维表征；c用于提取locomotion特征，即将已分解NM片段对应的平均速度计算出来。d行为分解后可得到一个三维的行为特征空间，在此空间上采用无监督聚类即可获得不同的行为类型。
基于Behavior Atlas，该研究发现了在Shank3B基因敲除小鼠中存在新的亚秒级的自闭样刻板行为。在旷场中的几个传统的行为学参数无法精准量化疾病小鼠与正常小鼠间的行为差异。Behavior Atlas从两组小鼠的15分钟旷场自发行为测试中检测到8种具有差异的亚秒级行为模块 。除了运动相关的行为Stepping、Walking和Rising外，Self -grooming（理毛）行为已被广泛报导，该行为来源于Shank3B基因缺失导致的纹状体功能异常。而Hunching（驼背）行为与先前少数研究报导的Rearing（站立）行为类似，因为这两种行为持续时间都非常短暂，处于亚秒级，所以几乎不可能通过人为观察区分它们的差异。而Behavior Atlas三维行为捕获的特性能精细比较这两种行为中小鼠脊柱的弯曲角度，以及头部、背部和尾巴根部的动能，发现其均存在显著差异。最后，将所有的行为参数进行降维，构建“自闭样行为空间”，发现仅使用行为参数，就能够区分Shank3B基因敲除小鼠与正常小鼠。
此外，Behavior Atlas能够对动物行为进行大数据分析。共使用旷场实验测试了80只小鼠的自发行为，发现仅基因型变量不同的小鼠会产生行为的显著差异，且雌性小鼠仅具有自闭样行为特征值降低的趋势，并未有雄性组的显著性差异，这与自闭样的雌性相对雄性会表现更少的运动协调方面的障碍的研究结论保持一致，验证了Behavior Atlas在大数据驱动下的有效性。
此外，脑所团队还将Behavior Atlas应用在对小鼠焦虑样行为的分析中。使用传统行为学测量范式和Behavior Atlas对焦虑模型小鼠的进行行为评估。对比发现，Behavior Atlas通过精确筛选焦虑相关行为，从而能够更好区分焦虑样小鼠与正常小鼠。此方法有望用于鉴定疾病的异常行为特征，并应用到焦虑症机制研究和抗焦虑药物的开发。相关成果已于4月28日在Biochemical and Biophysical Research Communications杂志以Objective and comprehensive re-evaluation of anxiety-like behaviors in mice using the Behavior Atlas为题在线发表。
Behavior Atlas现已将行为分析功能公开，商业化的精细行为捕捉和分析设备已投入生产和试运行。据悉，该团队仍在迭代更新Behavior Atlas，更多的用于药物筛选和神经科学基础研究的功能正逐步被添加到Behavior Atlas行为分析系统中，具有更丰富、更全面和更精细的数据获取方式与分析方法，有望发展成为新的行为分析标准。
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。
