- 4 次围观
基于视频追踪的行为摘要工具和方法数量迅速增加，这引发了一个问题：在临床前研究中，哪类方法最适合用于药理学指纹识别。我们近期已表明，社会情境会对小鼠的行为句法产生强烈影响，这进一步提示治疗效应可能具有情境依赖性。在此，我们旨在回答这样一个问题：在受控环境中，是否存在一种在情境与行为摘要方法之间的最优组合，可用于效应检测以及不同精神活性物质的区分。 为此，我们采用了八种不同的处理-剂量组合（安非他命 1.5、3、6 mg/kg；莫达非尼 5、10、50 mg/kg；seltorexant 3、10 mg/kg），并评估了五种不同的行为摘要方法：参数聚合、Keypoint-MoSeq（KPMS）与 Variational Animal Motion Encoding（VAME）中的无监督分割，以及 Simple Behavioral Analysis（SimBA）与 A-SOiD 中的监督分割；研究覆盖了两种不同情境（单独与社交），数据来自开放场地实验场中自由活动小鼠的 314 份记录。 令人惊讶的是，我们的结果显示，不同模型和不同情境之间的性能不存在显著差异。从处理效应检测到处理-剂量判别，所有模型的表现均显著高于随机水平，且对各种数据限制与扩展并不敏感。总体而言，我们的研究表明，在所测试的条件和处理下，行为摘要模型的选择并不会对处理效应的描述产生实质性影响。基于追踪数据的简单聚合指标与基于机器学习的行为摘要方法——尽管后者在训练数据和计算资源方面成本高昂——表现同样良好。结合现有文献，我们的发现表明，通过无监督机器学习对复杂行为进行更充分的分解，或许对于描述大规模数据集是必要的，但这并不一定符合临床前研究中常见的小规模处理判别任务的目标。
基于视频追踪的行为总结工具和方法数量迅速增加，这引发了一个问题：在临床前研究中，哪类方法最适合用于药理学指纹分析。我们近期表明，社会情境对小鼠的行为句法具有显著影响，这进一步提示处理效应可能具有情境依赖性。
在此，我们旨在回答这样一个问题：在受控环境中，是否存在一种情境与行为总结方法的最佳组合，以用于效应检测以及不同精神活性物质的区分。为此，我们采用了八种不同的处理—剂量组合（安非他明 1.5、3、6 mg/kg；莫达非尼 5、10、50 mg/kg；seltorexant 3、10 mg/kg），并评估了五种不同的行为总结方法：参数聚合、Keypoint-MoSeq（KPMS）与 Variational Animal Motion Encoding（VAME）中的无监督分割，以及 Simple Behavioral Analysis（SimBA）与 A-SOiD 中的有监督分割；同时在两种不同情境（单独与社交）下，对开放场地实验装置中自由活动小鼠的 314 份记录进行了分析。
令人惊讶的是，我们的结果显示，不同模型和情境之间在性能上不存在显著差异。从处理效应检测到处理—剂量区分，所有模型的表现均显著高于随机水平，且对各种数据限制与扩展并不敏感。总体而言，我们的研究表明，在所测试的条件和处理下，行为总结模型的选择不会对处理效应的描述产生实质性影响。基于追踪数据的简单聚合指标与基于机器学习的行为总结方法——尽管后者在训练数据和计算资源方面成本较高——表现同样良好。
结合现有文献，我们的研究结果提示，通过无监督机器学习对复杂行为进行更充分的分解，可能对于大规模数据集的描述是必要的，但这并不一定符合临床前研究中常见的小规模处理区分任务的目标。
Marti Ritter、Serena Deiana、Alina Ritter、Carsten T. Wotjak 和 Amarender R. Bogadhi 的薪酬由 Boehringer Ingelheim Pharma GmbH & Co. KG 支付。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.07.20.739643v1?rss=1
🏷️ 行为表型分析 视频追踪 药理学指纹 小鼠模型 机器学习 精神活性化合物