本研究将传统行为实验（三箱社交、旷场、高架十字、自我梳理实验）与无标记姿态估计和基于无监督聚类的 3D 行为分析进行整合，在这些传统行为分析基础上加以拓展，使传统数据产生了新的信息量。这种扩展方式把 Shank3B KO 小鼠的行为异常从“社交少、梳理多、焦虑高”推进到“行为状态更受限、转换更偏向、探索结构更贫乏”的层面。
自闭症谱系障碍（Autism Spectrum Disorder, ASD）是一类高度异质性的神经发育障碍，遗传因素在其中占有重要位置。SHANK3 是目前公认的 ASD 高风险基因之一，它编码突触后致密区的支架蛋白，参与突触形成和谷氨酸受体调控。人类 SHANK3 突变与社交障碍、重复刻板行为和感觉异常等症状密切相关，因此 Shank3 突变小鼠常被用于研究 ASD 的神经机制和药物干预。
当前主流的行为评估依赖于粗糙的总结性指标——例如三箱社交实验看小鼠在哪个区域停留更久，旷场实验看中心区停留时间，高架十字迷宫看进入开放臂的次数，自我梳理实验看总梳理时长。这些指标可靠，但不够细。很多行为异常并不是简单地“多了”或“少了”，而是动作结构、行为转换和状态组织方式发生了变化。
近期，一项由第四军医大学基础医学院神经生物学教研室团队主导的研究 “Machine learning-enhanced behavioral profiling improves phenotypic screening in a genetic mouse model of autism spectrum disorder” 围绕着这个痛点展开：在经典行为学实验的基础上，引入机器学习和无标记姿态估计，把小鼠行为从“总量统计”推进到“结构解析”。 本文发表于《Journal of Translational Genetics and Genomics》，刘俊宇、沈程程为共同一作者，郭保霖教授为通讯作者。
研究使用 8-12 周龄成年雄性 Shank3B 敲除小鼠和同窝野生型小鼠，所有动物接受四类行为测试：三箱社交、自我梳理、旷场和高架十字迷宫，并且在传统指标之外加入更高分辨率的行为特征分析。 通过视频行为提取、无监督聚类、状态转换分析和监督分类器，试图回答一个更深的问题：疾病相关行为是否可以被描述为一组稳定的“行为状态组织异常”，而不仅仅是某几个传统指标的改变？
01
Shank3B-/- 小鼠表现出受损的社交能力和社交新奇识别
在三箱社交实验中，研究者观察到与该模型既往报道一致的社交缺陷。WT 小鼠在社交期对含陌生鼠的室表现出明显偏好，而 KO 小鼠无显著偏好。这说明 KO 小鼠存在社交动机和社交新奇识别方面的缺陷。进一步的精细分析显示，KO 小鼠不仅社交时间减少，还更多停留在僵化、低活动或非探索状态，行为状态转换也更倾向于从运动转入静止或冻结，而不是进入探索状态。 此外，基于机器学习分类器的行为特征也能可靠分离基因型。
02
Shank3B-/- 小鼠表现出增加的理毛刻板和简化的行为结构
在自我梳理实验中，KO 小鼠的总梳理时间增加，符合 ASD 模型中重复刻板行为增强的特点。但更细的分析发现，这种增加并不是所有梳理动作都同步增加，而是特定动作成分发生偏移，例如腿部舔舐增加、身体梳理减少。 对理毛微观结构进行降维和聚类，识别出 5 个稳定的行为簇（C0-C4）：其中 C3 理毛由多种理毛行为组成，C4 以身体理毛为主。C3 在 KO 小鼠中显著富集，而 C4 在 WT 小鼠中显著富集，表明 KO 小鼠的理毛行为更具重复性且组成多样性更低。
03
Shank3B-/- 小鼠在旷场中表现出焦虑样和低多样性探索行为
标准旷场指标显示 KO 小鼠有焦虑样表型：明显的沿墙运动轨迹、中央区时间和距离减少、中央进入次数减少、总运动距离减少，跨区域运动速度也显著降低。轨迹分析显示 KO 小鼠路径熵降低、小角度转弯偏移、总转弯次数减少，表明运动模式更可预测和刻板。进一步的时间分辨指数也表明 KO 小鼠在整个测试期间焦虑评分持续升高且探索驱动力降低。
04
Shank3B-/- 小鼠在高架十字迷宫中表现出增强的风险回避行为组织
高架十字迷宫测试显示 KO 小鼠焦虑样行为：开放臂时间、距离和进入次数减少，总运动距离减少。封闭臂中运动速度降低，开放臂中适度增加。行为组成分析显示 KO 小鼠风险回避行为状态比例更高，站立行为减少。且 KO 小鼠偏好在封闭臂状态间循环，较少转换到运动和探索状态。
这项研究最大的亮点，是把 3D-AI 无监督行为分析嵌入到经典行为学范式中，而不是另起炉灶设计一套完全陌生的实验系统。三箱、旷场、高架十字迷宫和梳理实验都是神经行为学中非常常用的工具，具有较强的可重复性和文献基础。作者在这些传统行为分析基础上加以拓展，使传统数据产生了新的信息量。 另外，研究者关注行为结构，而不只是行为数量，这种分析方式更符合神经系统控制行为的真实逻辑。
05
BehaviorAtlas——您的神经行为学研究利器
**BehaviorAtlas 3D-AI 动物行为分析系统**的作用弥补了传统行为分析数据信息量不足的缺点。它不仅仅是一个工具，更是神经行为学研究的强大引擎：
- **高精度捕捉：**通过多视角视频捕捉和深度学习驱动的 3D 姿态重建，BehaviorAtlas 能够以高时空分辨率精确量化小鼠的精细运动，甚至包括肉眼难以察觉的凝视和头部微动。
- **无监督学习：**结合 UMAP 降维和层次聚类，系统能够从复杂的连续行为流中自动识别离散的行为模块和潜在的行为状态，极大地减少了主观性。
- **多维度分析：**从运动学特征、行为序列到时间动态，BehaviorAtlas 提供了全面的分析框架，帮助研究者发现行为背后的深层规律。
- **适用性广：**无论是帕金森病、癫痫、抑郁症还是其他神经精神疾病模型，BehaviorAtlas 都能提供可靠、客观的行为评估，加速疾病机制的理解和治疗方案的开发。
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：
————————————————
Liu J, Shen C, Yang T, Li K, Xi K, Guo B. Machine learning-enhanced behavioral profiling improves phenotypic screening in a genetic mouse model of autism spectrum disorder. J Transl Genet Genom. 2026;10:327-42. Machine learning-enhanced behavioral profiling improves phenotypic screening in a genetic mouse model of autism spectrum disorder