MoSeq：小鼠动作片的科学打开方式学术资讯

来源：神经现实

文献：Wiltschko, A.B., Tsukahara, T., Zeine, A. et al. Revealing the structure of pharmacobehavioral space through motion sequencing. Nat Neurosci 23, 1433–1443 (2020).

在一个漆黑的房间，一只小鼠孤零零地站在圆形平台上，不时旋转，奔跑，匍匐，起身，仿佛正陶醉在自己的独角戏里。此时此刻，它不知道头顶正有一台深度相机在捕捉着它的一举一动。它也不知道，在舞台隔壁的房间，有一群来自哈佛大学的“数据黑客”正在试图解码它动作的语言。

这群 “数据黑客”并没有企图破坏地球，他们其实正在验证一个大胆而绝妙的设想：正如人类的语言由不同的音节（syllables）组成，由特定的语法（grammar）串联，动物的行为是否也可以被解构成不同的音节和语法呢？比如起立，转身，飞奔等这些短暂的动作，就是行为学“音节”（behavioural ‘syllables’），动作之间过渡的方式，就是行为学“语法”（behavioural ‘grammar’）。如果掌握了这些音节和语法，我们是否就能理解动物行为的语言呢？

当然，这群来自哈佛医学院的研究者理解动物语言的目的，并不在于如何科学地饲养宠物。他们更关心如何更好地检测药物的有效性。在给将近700只小鼠们分别喂食了16种不同的精神药物后，研究者用深度相机，给每一只小鼠分别拍下20分钟的3D行为视频。通过机器学习，他们将这些行为视频的信息解码成了代表不同动作组分的“音节”，以及动作组分之间过渡规律的“语法”。最后，他们将这些信息投喂给线性分类器（linear classifier），以此来“逆向推测”不同的小鼠所服用的药物以及剂量。他们称这种方法为“动作测序”（Motion Sequencing，MoSeq），相比于用传统的2D信息（比如速度，位置等参数）线性分类，采用“音节、语法”的动作测序法能更准确地预测药物的种类和喂食的剂量。

图1：不同药物影响下的小鼠行为信息（位置信息、速度信息、多种2D信息、MoSeq信息）分别经过线性分类器分类后的F1值分布（F1值能反映分类准确度）

Wiltschko et al., Nat. Neurosci

不仅如此，利用他们的算法，不论是不同大类的药物之间（比如兴奋剂，抗抑郁药，抗焦虑药），还是同一大类的药物之间（比如同属于神经安定剂的氟哌啶醇和利培酮），大多数情况下只需要大约５个行为“音节”就可以互相区分这些药物诱发的不同行为特征。也就是说，只需要少量的特征行为“音节”，算法就能描述出小鼠服用特定药物后产生的表型。比如，甲基安非他命5个特征的行为“音节”中主要包含了几种向前运动的姿势，其中有3个和莫达非尼的特征行为“音节”相同，而莫达非尼的另外2个行为“音节”则与探索性动作有关。

最后，为了证明MoSeq的实际应用价值，研究者通过同样的方法检测药物是否可以纠正自闭症小鼠模型（Cntnap2突变小鼠模型）的异常行为。他们发现，相比于野生型小鼠，自闭症小鼠模型有16个行为“音节”和和野生型小鼠显著不同。在临床上，利培酮常用于治疗自闭症患者过度活跃和攻击性行为，当给小鼠喂食利培酮后，这16种显著不同的行为“音节”中有７种被完全纠正了，７种被部分纠正了，另外２种则没有明显改变。但不容忽视的是，利培酮也造成了不少其他行为“音节”的变化，这说明利培酮在治疗自闭症小鼠的异常行为的同时也会引发副作用。和利培酮相似，另外两种新药（洛沙平、舒必利）也会不同程度地纠正自闭小鼠模型的异常行为，但同时也不可避免地带来了副作用。