近日，上海大学苏海峰团队 在帕金森病领域专业期刊 NPJ Parkinson’s Disease 发表研究论文，提出了一种基于三维运动捕捉、超图自注意力神经网络训练和支持向量机分类的自动行为分析系统，构建了涵盖正常、帕金森及运动障碍小鼠的标准化行为数据库 ，识别了 LID 的典型特定行为特征，如步态异常、扭转或肢体快速摆动，并评估了不同药物（如金刚烷胺与氯氮平）的治疗效果 ，为帕金森病相关行为研究与药物筛选提供了高效、客观、可复现的分析工具。一湾生命科技 BehaviorAtlas 行为分析系统为本论文中的行为分析提供强有力的支持！
帕金森病（Parkinson’s Disease, PD）是一种常见的神经退行性疾病，典型症状包括静止性震颤、肌肉强直、运动迟缓和姿势不稳。左旋多巴（L-DOPA）是目前治疗 PD 的金标准药物，但长期使用容易引发一种棘手的并发症——左旋多巴诱导的异动症（L-DOPA-induced dyskinesia，LID），表现为舞蹈样或肌张力障碍样的不自主运动。
目前，临床和科研中对 LID 的评估主要依赖 “异常不自主运动量表”（Abnormal Involuntary motion scale, AIMs）。然而，这种传统方法存在明显的局限性：
- 主观性强：依赖观察者的经验，容易产生人为偏倚。
- 效率低下：主要靠人工逐一打分，耗时费力，难以处理大规模数据。
- 缺乏标准化：针对不同物种的标准可能不一致，导致数据难以横向比较。
因此，开发一种高通量、客观、可量化 的自动化行为分析工具，对于深入理解 LID 机制以及筛选有效的抗异动症药物具有重要的临床和科研意义。
2025 年 11 月 26 日，上海大学苏海峰团队 在 NPJ Parkinson’s Disease 期刊发表了题为 “A spatiotemporal hypergraph self-attention neural networks framework for the identification and pharmacological efficacy assessment of Parkinson’s disease motor symptoms ” 的研究论文。
该研究提出了一种整合了 3D 运动捕捉技术 与超图自注意力神经网络（Hypergraph Self-Attention，HyperSA）的自动化行为识别框架。研究团队利用该系统采集了野生型（WT）、帕金森病（PD）及异动症（LID）小鼠的大规模运动数据，重构了高精度的 3D 骨架轨迹，并建立了一个包含 15 种标准行为的数据库 。通过这一框架，研究不仅精准区分了不同疾病模型的小鼠行为表型，还深入比较了金刚烷胺（AMAN）和氯氮平（CLZ）两种药物对异动症的不同治疗效果，展示了该方法在药理学研究中的强大应用潜力。
01 3D-AI 行为分析：识别 LID 核心行为特征
研究人员首先利用 6-OHDA 注射构建了 PD 小鼠模型，并通过慢性左旋多巴给药诱导了 LID 模型。为了获取高质量数据，团队搭建了四相机同步采集系统，利用 DeepLabCut 追踪小鼠全身 16 个关键点，重建了 3D 骨架（图 2A-C)。通过 BehaviorAtlas 的无监督聚类配合人工矫正，最终确定了 15 种行为类别，包括正常的行走、梳理，以及 LID 特有的异常行为（如头部快速旋转HD-H、轴向扭转AT-OD等） （图 2D, E）。
通过对比 WT、PD 和 LID 小鼠，研究发现 LID 小鼠在特定的 5 种异常行为上表现出显著上调，包括不平衡的轴向扭转 AT-PI, 头部低速旋转 HD-L，头部中速旋转 HD-M，头部快速旋转 HD-H, 面部运动障碍的轴向扭转 AT-OD ，这些行为被认为是 LID 表型的核心诊断特征。此外，PD 小鼠表现出显著增加的 Turn Grooming（转向梳理后毛）和 AT-OD 行为，提示单侧损伤导致的运动整合障碍（图 2E）。
为了验证这些行为特征是否能有效区分三组小鼠，研究人员使用支持向量机分类，三类小鼠在 PCA 空间中呈现明显分离（图 3F），证实了该框架在行为表型区分上的有效性。
02 时空超图自注意力网络：读懂复杂的动作
为了从复杂的 3D 骨架数据中自动识别行为，研究人员引入 HyperSA 网络（图 4A），该网络通过构建 “超边（Hyperedge）” 来模拟身体部位（如四肢、头部）的协同运动，并引入注意力机制，显著提升了复杂行为（如AT-OD）的识别准确率 （图 4C）。
03 药物疗效的精细化评估：金刚烷胺 vs 氯氮平
研究进一步应用该框架评估比较了金刚烷胺（AMAN）和氯氮平（CLZ）对运动障碍小鼠的干预效果。结果表明，两者都能显著降低 LID 小鼠的异常行为评分，但展现出不同的干预模式（图 5C）。通过行为转移图谱发现，AMAN 主要通过改善肢体协调性（AT-PI 的转变频率显著降低），促进小鼠恢复正常的生理性运动 ；而在 CLZ 治疗组中， CLZ 虽然抑制了身体扭转，但也增加了从其他 LID 特征动作向更严重的 AT-PI 行为转变的概率，此外，CLZ 降低了绝大多数非 LID 动作的转移概率，表现出广泛的镇静副作用，提示 CLZ 治疗缺乏靶点特异性 （图 5E, F）。这些结果与药物的临床特点一致。
本研究成功开发了一套基于 3D 运动捕捉技术 与超图自注意力神经网络 的帕金森病运动症状自动化分析框架。该框架不仅克服了传统 AIMs 评分的主观性和低效率问题，还通过“时空超图”技术深入挖掘了行为数据中的高阶关联。
研究结果证明，该系统能够灵敏地捕捉到药物治疗下的细微行为变化，区分出不同药物（如金刚烷胺与氯氮平）在改善异动症时的不同行为策略（恢复功能 vs 镇静抑制 ）。这为未来解析 LID 的神经环路机制、筛选新型抗帕金森病药物提供了一个强大、客观且高通量的分析工具，有望加速相关领域的转化医学研究。
在本论文中，助力研究者精准捕捉并量化分析小鼠行为的利器，正是一湾生命科技（BAYONE）的创新产品—— BehaviorAtlas 3D-AI 动物行为分析系统 。它利用多视角深度摄像头和先进的 AI 算法，实现了对实验动物无标记的 3D 骨架动态追踪和无偏见的精细行为谱识别 ，并基于 3D 姿态和动态参数，将多种行为模式进行清晰的分析和量化，为后续的药物评估提供了高质量的行为学数据 。从焦虑、抑郁、自闭症等复杂精神疾病的动物模型评估，到神经退行性疾病的早期行为表型筛查，再到新药研发的药效评价，BehaviorAtlas 都能提供前所未有的深度和广度。我们的产品还在许多优秀的研究工作中得到验证，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。
参考文献：
————————————————
An, X., Su, L., Yang, Q. et al. A spatiotemporal hypergraph self-attention neural networks framework for the identification and pharmacological efficacy assessment of Parkinson’s disease motor symptoms. npj Parkinsons Dis. 11, 338 (2025). https://doi.org/10.1038/s41531-025-01187-6