帕金森病（PD）是一种全球流行的神经退行性疾病，以经典“运动四重奏”——震颤、僵直、运动迟缓、姿势不稳——为主要症状。研究者们利用小鼠模型来研究 PD 的发病机制和评估潜在的治疗方法，但传统的行为评估方法往往过于简化，无法全面捕捉 PD 的复杂症状，这限制了对疾病进展和治疗反应的深入理解。
面对“机制不清、疗效不稳、评估不准”的难题，2025 年 8 月 21 日，韩国科学技术院（KAIST）生命科学系 Won Do Heo 团队与哈佛医学院 McLean 医院在《Nature Communications》发表了题为“Integrating artificial intelligence and optogenetics for Parkinson’s disease diagnosis and therapeutics in male mice”的研究论文。研究团队展示了将人工智能（AI）与光遗传学(称为 optoRET )干预相结合，能够在自由活动的雄性 AAV-hA53T 小鼠中实现广泛的行为评估，提供了一种高效的诊断方法，并为帕金森病的创新治疗策略奠定了基础。
该研究介绍了 3D 姿态估计系统，该系统能够通过 5 个视角录像捕捉小鼠的运动，并利用深度学习模型来解析其行为，与二元分类模型和可解释的人工智能相结合，能够比传统方法更早、更准确地检测出帕金森病的严重程度组别，并确定了一整套帕金森病的行为标志物，包括步态和频谱时间特征。此外，他们还引入了一种名为 optoRET 的光遗传工具，通过蓝光开关控制 c-RET 信号通路的方法，改善了帕金森小鼠肢体协调和运动能力以及减少胸部震颤，有效减缓了帕金森病的进展。通过一系列行为测试和组织学分析，研究团队评估了 PD 模型小鼠的运动功能障碍，并验证了 optoRET 在减轻 PD 症状方面的有效性，为未来的诊断和治疗策略提供了新的视角。
01
帕金森小鼠模型的建立与评估
研究者们利用病毒介导的 α-synuclein 过表达，通过在 B6J 雄性老鼠双侧 SNc 递送 hA53T-αSyn ，成功诱导了剂量依赖性的 PD 症状和病理变化（图1a）。实验分为对照组（CT）以及帕金森病组（PD）， PD 组中低剂量（A1）与高剂量（A5）分别对应轻度与重度病程（图1b）。为了评估运动功能障碍，研究者们进行了行为测试。十周病程追踪显示，随着时间的推移， PD 组小鼠运动功能障碍逐渐恶化，并呈现剂量递增，到 10 周时与 EV 组相比变化显著。 A5 组的旋转杆测试评分（RRS）下降幅度比 A1 组更显著，且两组 PD 小鼠的高架梁行走测试评分（BWS）存在显著差异（图1c-f）。另外，组织学分析显示，两组 PD 小鼠的纹状体 TH 纤维密度和黑质多巴胺能神经元数量均显著下降。 A5 组与 A1 组相比，细胞丢失更为严重（多 26%）（图1g-h）。
02
AI驱动的帕金森诊断
为了克服传统行为评估方法的局限性，研究者们采用了基于 AI 的三维姿态估计技术，从旷场测试的视频记录中检测小鼠身体的关键节点，重建小鼠的三维运动序列。利用机器学习（ML）框架 PyCaret ，研究者们开发了基于 XGBoost（XGB) 模型的 AI 诊断系统，能够以 90% 的准确率区分 PD 和非 PD 小鼠（图1i-j）。 XGB 模型将每个运动片段分类为非 PD（NP）或 PD ，并计算每个小鼠 PD 片段的比例，作为 AI 预测的 PD 评分（APS）， APS 在区分 PD 严重程度方面表现出更高的敏感性，并且能够在早期（术后 2 周）检测到 PD（图1k-l）。
为了评估 APS 对 PD 的特异性，研究者们评估了 SOD1-G93A ALS 模型小鼠。尽管 ALS 组表现出显著的运动功能障碍，但其 APS 保持较低水平。这支持了 APS 反映的是 PD 特异性病理，而非一般的运动缺陷。
03
AI识别帕金森病小鼠的关键行为特征
为了深入了解 hA53T 帕金森病（PD）小鼠的行为特征，研究者们采用了一种可解释的 AI 技术 TreeExplainer 来解释 XGB 模型的决策过程。通过 SHapley Additive exPlanations（SHAP）值，研究者们量化了每个特征对 PD 预测的影响，并识别了对预测影响最大的 20 个特征（图2a）。通过对这 20 个特征分析，研究者们总结了 PD 小鼠的关键行为特征（图2b）：
1.肢体运动协调性受损。 XGB 模型将与手和脚相关的特征列为 PD 诊断的关键因素，其中一半的特征与肢体运动相关。与 CT 小鼠相比， PD 小鼠表现出明显的肢体间不对称性，手部活动受限，站姿更宽的特征。
2.运动和姿势平衡改变。 长期分析显示， PD 组（A5）的运动持续时间逐渐增加，而对照组（CT）的运动间隔随时间增加，这可能反映了 CT 组对重复暴露于相同环境的适应性，而这种适应性在 PD 组中缺失。 PD 小鼠的胸部垂直速度显著低于 CT 小鼠，由于高速垂直运动通常与小鼠的饲养行为相关，这一发现提示 PD 小鼠可能表现出更慢或更缓慢的垂直运动，可能说明姿势失衡。
3.核心身体区域的僵硬增加。 PD 小鼠的身体姿势更僵硬（最小身体 2D 长度增加）和更弯曲（最小身体角度增加）。此外， PD 小鼠颈部运动动力学模式中在病程中经历了转变，呈现先增加后减少的趋势，这反映了疾病进展。
04
光遗传学减轻帕金森小鼠的疾病进展
鉴于 c-RET 的复杂性及其作为 PD 治疗靶点的潜力，研究者们推出了一种被称为 optoRET 的基因编码光遗传学工具，并在 aSyn PD 小鼠模型中研究了 optoRET 的治疗效果，旨在确定是否选择性和时间控制的 c-RET 信号调节可以作为常规 GDNF 疗法的可行替代方案。
研究者们将 AAV-DJ / 8-hSyn1-DIO-optoRET 和 hA53T 共注射到小鼠大脑的黑质致密部（SNc），随后进行行为评估。利用行为神经科学无线网络（WNBN）系统将 optoRET 激活与蓝光偶联，实现定时光暴露(每日、每两周和隔日激活)（图3a）。
APS 评分显示， optoRET 激活对 A5 小鼠的病程缓解无效，但在 A1 小鼠中，每两周（A1O2）和隔日（A1O3）激活显著抑制了 PD 进展。 A1O2 和 A1O3 组均没有发现重度 PD 小鼠（图3b），且 A1O3 组与对照组（EV）相比无显著差异，但 APS 显著低于未处理的 A1 组（图3c）。另外，组织学分析表明， A1O3 组显著减轻了 A1 小鼠的纹状体 TH 纤维密度和黑质 DA 神经元数量较少的病理征状（图3d-e)。
与持续给药不同， optoRET 疗效仅在特定的 c-RET 信号激活策略下才显现出来，这一发现可能强调了间断但重复激活 RET 信号是一种更有效的治疗方式，这一发现可能表明细化治疗方案对于提升治疗效果至关重要。
05
光遗传学改善肢体协调性
通过在 A1O3 组中进行了治疗反应评估（TRE）（图3f），研究者们发现，在 A1O3 组中， 65% 的特征得到改善。在治疗特征的 PD 症状评估（PSE）中，协调性的改善，尤其是手部运动的改善最为显著。这些结果表明 optoRET 光激活对轻度 hA53T PD 小鼠的运动功能有益，尤其是通过增强肢体协调。
06
光遗传学改善PD小鼠的光谱特征
为了弥补行为评估在光谱特征方面的缺失，研究者们利用时间序列特征提取库（TSFEL）进行光谱-时间域分析（图4a)， 将运动序列分割成 4 秒的长片段，每个片段提取 4485 个特征，使用与 XGB 模型类似的机器学习流程，开发了 TSFEL 模型。该模型在验证数据集上达到了 90% 的准确率，预测结果与 XGB 模型一致。
在 TRE 结果中， A1O3 组 55% 的特征得到改善。在特征域评估中，与胸部相关特征的改善尤为明显，这表明 optoRET 在改善胸部运动的光谱方面有显著效果（图4b）。此外，通过 SHAP 分析，发现 PD 组的胸部运动幅度变化更大，胸部运动频率显著增加，接近人类 PD 患者的震颤频率范围，但治疗组的频率增加不显著，表明 optoRET 治疗可能对震颤发展有调节作用（图4c-f）。类似地， optoRET 治疗也在一定程度上改善 PD 小鼠的颈部运动和尾部运动障碍（图4g-l）。
07
光遗传学改善 PD 小鼠的转向、直立行为和步态
为了增强对 PD 表型相关行为特征的理解，并进一步验证光遗传学工具 optoRET 的治疗效果，研究者们在片段中注释了转向、直立和行走行为，并从中提取特征（图5a）。**转向和直立行为在 PD 组中显著受到影响。**在转向行为中 A5 组转向持续时间增加， A1 和 A5 组转向速度降低，但 A1O3 组与对照组无显著差异（图5c-d）。在直立行为中， PD 组在直立过程中的胸部垂直速度变化更大， A5 组在直立转换阶段的速度峰值显著降低（图5e-f）。
行走行为中，小鼠的步态特征也是评估 PD 的重要指标，基于 AI 排序的前 20 个特征（图5h），研究者们应用了 PD 步态分类模型，计算每只小鼠的 PD- 特征步数占总步数的比例作为 PD 步态评分， PD 步态评分预测与 PD 分组结果一致（图5g）。为了验证 optoRET 在步态方面的改善效果，研究者们采用与之前类似的评估方式，发现 60% 的步态特征在 A1O3 组中得到改善，未治疗的特征主要与空间领域相关，尤其是姿势成分（图5i）。通过热图分析，研究者们发现 PD 组的脚部拖曳显著增加，而这一现象在 A1O3 组中得到显著改善（图5j-l）。这些结果表明， optoRET 显著改善了帕金森病患者的步态，特别是防止足部拖后。
08
总结
在这项研究中，研究团队建立了人工智能的 PD 诊断和光遗传方法作为治疗策略。在 PD 诊断方面， XGB 模型达到了 90% 的高准确性， PD 特异性的评分标准（APS）在区分 PD 严重程度方面表现出高敏感性，实现了在早期（术后 2 周）检测到 PD ，且 APS 与已建立的神经病理学特征高度相关，显示出其作为 PD 病理行为指标的价值。此外，光遗传学工具 optoRET 通过特定的光激活计划有助于改善 PD 小鼠病理特征，通过治疗反应评估，直观地展现了 optoRET 在改善 PD 小鼠的运动功能和光谱特征的显著效果。总的来说，这项研究不仅加深了对 PD 的理解，还为未来的治疗策略提供了新的视角。
在探索动物行为分析的先进工具时，不得不提一湾生命科技（BAYONE）的创新产品——BehaviorAtlas 3D-AI动物行为分析系统。本系统不仅能够小鼠身体点和 3D 轨迹重建，还适用于广泛的范式与造模，而且在行为参数提取和图表可视化上都有出色的表现。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。
