Science 最近发表论文通过构建脊椎动物终身行为追踪平台，揭示了衰老并非线性衰退，而是由稳定阶段构成的动态过程。在衰老研究中，精准捕捉微观行为变化是衡量生命健康轨迹的“非侵入式窗口”。该研究为衰老领域提供了卓越的范式参考。广东一湾致力于通过高精度的精细行为解析技术，推出 BehaviorAtlas 3D-AI 动物行为分析系统，将复杂的动物行为转化为量化的数字指标，助力科研人员洞察个体差异、评估干预效果并精确预测长短期健康趋势，助力衰老研究迈向全周期的精准量化。
2026 年 3 月 12 日，Claire N. Bedbrook、Ravi D. Nath、Anne Brunet 和 Karl Deisseroth 团队在国际顶尖学术期刊 Science 发表题为 “Lifelong behavioral screen reveals an architecture of vertebrate aging” 的研究论文。该研究建立了一个可从青春期到死亡连续追踪非洲青鳉鱼自然行为的平台，系统揭示了脊椎动物衰老的行为轨迹、寿命预测模型、饮食限制干预效应以及阶段性衰老架构。
团队采用 “终身行为追踪 → 无监督行为分解 → 衰老轨迹建模 → 寿命预测 → 多器官转录组验证 → 干预与性别差异分析 → 生命阶段模型构建” 的递进式设计：首先建立高通量、长时程、自然活动状态下的单鱼行为记录系统；其次用深度学习关键点追踪、姿态特征提取、行为音节识别和 TCA 降维建模解析终身行为；再通过机器学习建立行为时钟和寿命预测模型；最后结合多器官转录组、饮食限制干预和雌雄比较，提出脊椎动物成年生命进程并非简单线性衰退，而是由稳定且刻板的行为阶段依次构成。
01
构建从青春期到死亡的脊椎动物终身行为追踪系统
为了连续测量单个脊椎动物在整个成年期的自然行为，研究团队建立了高通量长期记录系统。雄性非洲青鳉鱼被单独饲养在 2.8 L 水箱中，水流循环，自动喂食器每天固定 7 次喂食，顶部工业相机以 20 fps 连续记录，从性成熟阶段（约 3–4 周龄）一直追踪到自然死亡（图 1A-C）。
在行为解析上，团队训练深度卷积神经网络，对每一帧图像中的鱼体 6 个关键点 进行预测，包括 snout、midbody、endbody、tail、fan 和 sidebody（图 1B）。基于这些关键点，研究提取 57 个姿态特征，包括速度、加速度、体长、身体曲率、游动方向和空间分散度等（图 1D-E）。随后，研究通过 PCA 将 57 个特征降维为 15 个主成分，并进一步用高斯隐马尔可夫模型（HMM）从姿态动态中提取 100 个亚秒级行为音节（behavioral syllables）（图 1F-I）。
这一系统最重要的特点是“连续性”：不是在某几个年龄点抽样观察，而是对同一只动物从青春期到死亡进行完整记录。单个动物的终身行为热图显示，行为音节使用模式会随年龄发生显著改变，并出现多个突然转换点，为后续构建衰老轨迹和生命阶段模型提供了基础（图 1J-K）。
图 1｜终身行为追踪系统建立。研究通过单独水箱、自动喂食和顶部相机实现从青春期到死亡的连续记录；基于 6 个关键点提取 57 个姿态特征，再通过 PCA 与 HMM 获得 100 个行为音节，用于刻画单个动物整个生命周期的行为动态。
02
全生命周期行为组学揭示个体衰老轨迹高度异质
终身记录产生了极高维度的数据：每只动物每天有约 1.728 × 106 帧记录，每一帧对应 100 种行为音节之一；在寿命实验中，81 条鱼平均记录 220 天，范围为 23–371 天。为了在保留昼夜节律结构的同时降低维度，作者采用张量成分分析（tensor component analysis，TCA）对每日行为音节使用进行建模（图 2A）。
TCA 将数据分解为三个维度：一天中的时间因子、行为音节因子和年龄因子。模型最终选择 45 个 tensor components（TCs） 表征复杂行为状态，因为该维度下重构误差趋于稳定，并且能够较好还原原始行为数据（图 2B-C）。这些行为状态不仅反映白天/夜间差异，也能够捕捉喂食时间点和随年龄变化的行为模式（图 2D）。
进一步将 45 个 TC 的年龄因子进行 PCA 可视化后，研究发现个体动物在年轻时起点相近，但随着衰老逐渐分散，形成不同的行为衰老轨迹（图 2E-G）。这说明，即使在相同品系、相似饲养条件下，脊椎动物个体也并非以完全相同方式衰老；行为空间中的衰老路径具有显著个体差异。
03
长寿与短寿个体早期即出现行为轨迹分叉，并关联肝脏转录组差异
由于行为记录是非侵入式的，研究可以对同一个体追踪至死亡。81 条鱼的寿命范围从 46 天到 394 天不等（图 3A）。当作者按照最终寿命给行为轨迹着色时发现，长寿个体与短寿个体的行为轨迹显著不同，且长寿轨迹与短寿轨迹在约 70 日龄就开始分叉（图 3B）。这一分叉发生在动物仍处于相对年轻阶段，远早于死亡时间，提示未来寿命差异可能在早期生理状态中已被编码。
对具体行为特征分析显示，长寿与短寿个体在体长、增长速率和摄食行为上没有明显差异（图 3C）。然而，在约 100 日龄时，长寿个体表现出更低的日间不活动时间、更高的峰值速度（sprinting）和更强的活跃行为；同时，长寿个体的睡眠/休息行为更集中于夜间，而短寿个体在白天出现更多睡眠样行为（图 3D-F）。也就是说，未来长寿个体在年轻阶段表现为 更高活动能力 + 更强爆发速度 + 更清晰昼夜节律。
为了寻找这些行为轨迹背后的分子基础，作者在 80 天、150 天和 ≥210 天三个年龄点采集 8 个器官进行 bulk RNA-seq，包括脑、肠、心脏、肾脏、肝脏、皮肤、脾脏和睾丸（图 3G）。在 150 日龄时，研究根据行为轨迹将个体分成长寿轨迹和短寿轨迹，并发现肝脏转录组对两类轨迹的区分最明显（图 3H-I）。
GO 富集分析显示，短寿轨迹个体与老年个体一样，肝脏中核糖体生物发生、rRNA 加工、翻译和 DNA 复制相关通路上调；而自噬、巨自噬和分解代谢相关过程下降（图 3J-K）。值得注意的是，免疫激活和炎症相关通路随年龄上升，但并不显著区分长寿/短寿轨迹。这提示 核糖体与代谢程序，而非单纯炎症上升，可能更接近未来寿命差异的候选驱动因素。
图 3｜早期行为轨迹可区分未来长寿与短寿个体，并关联肝脏转录组差异。长寿和短寿个体在约 70 日龄发生行为轨迹分叉；100 日龄长寿个体更活跃、峰值速度更高、昼夜节律更清晰；肝脏转录组显示短寿轨迹伴随核糖体生物发生上调和分解代谢下降。
04
行为时钟可推断年龄，并在年轻阶段预测未来寿命
接下来，作者提出一个关键问题：单日行为组数据是否足以推断个体年龄？研究将每日 45 维年龄因子定义为 daily behaviorome，并训练随机森林回归模型建立行为时钟（behavioral clock）（图 4A）。
结果显示，模型估计年龄与真实年龄高度相关，Pearson R = 0.94，整个年龄范围内的中位绝对误差仅约 12 天（图 4B-C）。不同年龄段中，对年龄推断贡献最大的行为状态不同：年轻动物主要由白天剧烈游动和探索行为决定，中年动物更多由夜间缓慢漂移和睡眠行为决定，老年和极老年阶段则出现持续漂移、后退和翻转等行为状态（图 4D）。
进一步，研究测试能否仅凭年轻时的行为预测未来寿命。作者在不同固定年龄窗口训练随机森林分类器，将个体预测为短寿（<200 天）或长寿（图 4E）。模型在 70 日龄前预测能力较弱，但超过 70 日龄后性能明显提升，ROC 和准确率均超过 0.7（图 4F-G）。
利用 70、90 和 110 日龄的行为数据进行预测时，被模型判定为长寿和短寿的个体，其真实生存曲线显著分离（图 4H）。在 110 日龄时，长寿个体表现出更强的白天活动状态、更少白天休息/睡眠样行为，以及更集中的夜间睡眠和漂移状态（图 4I-J）。这些结果说明，行为不仅可以反映当前年龄，还能在个体相对年轻时预测未来寿命轨迹。
05
饮食限制减缓行为衰老，雌性个体呈现独特且加速的衰老轨迹
为了测试该行为平台是否能评估抗衰干预，研究引入经典长寿干预方式——饮食限制（dietary restriction）。对照组为自由摄食，每天白天均匀喂食 7 次；饮食限制组每天早晨喂食 3 次（图 5A）。作者连续追踪 39 条饮食限制雄性青鳉鱼，从青春期至 110 日龄，并与自由摄食参考群体比较。
饮食限制显著改变了活动与睡眠的昼夜分布。饮食限制组更早醒来，在开灯前数小时即出现活跃行为；同时，总睡眠时间增加，但睡眠更加集中于夜间暗期（图 5B-C）。虽然饮食限制不显著改变中位运动速度，但显著提高峰值速度，这与前述年轻阶段峰值速度和未来寿命正相关的结果相一致。
在衰老轨迹层面，饮食限制组与自由摄食组沿相似轨迹推进，但推进速度明显变慢（图 5D-E）。当使用行为时钟估计年龄时，饮食限制个体在 100–110 日龄阶段被估计为比真实年龄年轻约 42 天，说明饮食限制不是改变了衰老路径本身，而是降低了沿该路径推进的速度（图 5F）。
作者还进一步追踪了 31 条雌性青鳉鱼从青春期至自然死亡的行为轨迹。与雄性参考群体相比，雌性走向明显不同的衰老路径，整体更接近短寿雄性的轨迹（图 5G-H）。使用以雄性数据训练的行为时钟评估时，年轻雌性看起来比真实年龄更“年轻”，但随年龄增长出现显著行为加速衰老；超过 100 日龄后，雌性被估计为比真实年龄老 50–200 天（图 5I）。这提示青鳉鱼衰老具有明显性别二态性。
图 5｜饮食限制和性别影响行为衰老轨迹。饮食限制改变睡眠和活动节律，使个体沿相似衰老轨迹更慢推进，行为时钟显示其在 100–110 日龄阶段行为年龄年轻约 42 天；雌性青鳉鱼表现出独特且加速的行为衰老轨迹。
06
衰老不是简单连续下降，而是由稳定行为阶段依次构成
终身连续记录为研究衰老的结构提供了独特机会。作者将每个动物整个生命周期中 100 个行为音节按昼夜相位对齐后发现，行为并非平滑连续变化，而是出现多个离散、突然且稳定的转换（图 6A-B）。
为了量化这些转换，作者使用对称 Kullback-Leibler divergence（DKL）计算不同天之间行为音节分布的距离，并结合 change-point detection 检测行为突变点（图 6C-E）。结果显示，个体一生中通常经历多个突然转换；在转换之间，行为状态可维持较长时间稳定。
进一步，团队基于 HMM 构建生命阶段模型，最终得到 6 个行为定义的生命阶段。这些阶段按照相对有序的方式依次出现，个体从一个阶段转向下一个阶段的概率远高于逆向转换（图 6G-H）。群体层面分析显示，不同年龄段中占主导的生命阶段依次变化（图 6I），不同阶段之间的行为距离显著，且每个阶段具有特定行为音节组合（图 6J-L）。
在晚期阶段，动物出现进食下降、昼夜调控丧失、不活动和漂移行为增加等特征，提示这些阶段可能对应健康状态恶化。研究还识别出一个罕见晚期状态，与年龄相关的鱼鳔功能障碍和浮力异常相关，说明无监督行为筛查还可以发现特定疾病样状态。
因此，作者提出成年生命进程的阶段性模型：衰老并不是简单的连续线性下降，而是 个体依次经过多个稳定、刻板的行为生命阶段，并在特定年龄发生突然转换（图 6M）。这一发现只有通过同一个体的连续纵向追踪才能观察到，传统横断面年龄比较很难捕捉。
07
核心结论
本研究建立了一个从青春期到死亡连续追踪脊椎动物自然行为的高分辨率平台，并证明行为可以作为非侵入式衰老读出。通过深度学习关键点追踪、行为音节识别、TCA 低维行为状态建模和随机森林机器学习模型，作者发现个体衰老具有可量化的行为轨迹，且未来长寿和短寿个体在年轻阶段就会出现轨迹分叉。
行为时钟能够准确推断个体年龄，行为分类器则可在 70–110 日龄阶段预测未来寿命；长寿个体早期表现为更高活动能力、更高峰值速度和更稳定昼夜节律。多器官转录组进一步提示，未来寿命差异与肝脏核糖体生物发生和代谢通路改变相关，而炎症激活更多反映自然衰老过程。饮食限制能够减慢行为衰老速度，而雌性青鳉鱼则表现出独特且加速的衰老轨迹。
最重要的是，终身行为追踪揭示了脊椎动物成年生命进程的阶段性架构：衰老并非简单、平滑、连续的功能衰退，而是由多个稳定且刻板的行为阶段依次构成，并伴随突然转换。
08
科学意义
（1）建立脊椎动物终身行为组学研究框架
本研究突破了传统衰老研究依赖横断面取样或短期行为测试的限制，实现了从青春期到死亡的连续行为记录，为在脊椎动物中研究动态衰老过程提供了新的技术路线。
（2）提出行为可作为非侵入式衰老时钟
行为时钟能够基于单日 behaviorome 推断年龄，并在年轻阶段预测未来寿命，说明自然行为不仅是衰老结果，也可能是早期生理状态和未来健康轨迹的高维综合读出。
（3）将寿命差异与早期行为和肝脏分子状态连接
长寿与短寿个体在约 70 日龄即出现行为轨迹分叉，并与肝脏核糖体、rRNA 加工、翻译和代谢通路改变相关，为寻找影响寿命差异的早期分子机制提供了方向。
（4）为抗衰干预评估提供动态量化指标
饮食限制并未使动物进入完全不同的行为路径，而是使其沿相似轨迹更慢推进。这种行为衰老速度的量化方式，可用于评估药物、营养、遗传或环境干预对健康衰老过程的真实影响。
（5）重新定义衰老：从线性下降到阶段性架构
研究发现成年生命并非均匀衰退，而是经历多个稳定行为阶段。该模型为区分寿命、健康寿命和晚期疾病状态提供了新的量化框架，也为未来精确定位干预窗口提供可能。
09
总结
这项研究告诉我们，行为不是衰老的末端表型，而是可以提前读取个体衰老轨迹的动态窗口。通过对非洲青鳉鱼从青春期到死亡的连续追踪，研究团队发现，每个个体都沿着特定行为轨迹衰老，而未来长寿和短寿个体在年轻阶段就已经出现可识别的行为分叉。更重要的是，机器学习模型仅凭年轻阶段的行为数据，就能预测未来寿命。
在机制层面，长寿/短寿轨迹差异与肝脏核糖体和代谢通路变化相关；在干预层面，饮食限制可以降低行为衰老速度；在理论层面，研究提出脊椎动物衰老并非连续线性下降，而是由多个稳定行为阶段依次构成。这一工作不仅为衰老生物学提供了新的动态模型，也为抗衰老干预和健康寿命评估提供了非侵入式、高时间分辨率的新工具。
广东一湾始终深耕于精细行为的数字化解析，致力于将复杂的行为数据转化为高精度的生物学定量指标，旨在帮助科研人员更精准地洞察衰老轨迹、评估干预效果。BehaviorAtlas 3D-AI 动物行为分析系统是广东一湾推出的**国内首家 3D-AI 精细行为学分析系统，可以在三维层面分析动物的精细行为；追踪 16+ 个身体点，实现行为全面量化；提取 40+ 种行为亚型，包括嗅探、梳理、跳跃等行为；计算 100+ 种参数，捕捉动物行为的每一个细节；输出专业级可视化图表，满足 SCI 论文发表要求。**目前，BehaviorAtlas 3D-AI 动物行为分析系统已经在大、小鼠、非人灵长类动物、犬类等模式动物上，针对自闭症、帕金森症、抑郁症、老年痴呆、衰老等疾病模型以及精神类药物筛选上进行了多种应用。在此，我们也感谢 BehaviorAtlas 的用户对我们系统的关注和支持，希望 BehaviorAtlas 能够帮助更多的科研人员去解答生命科学中的难题。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！
参考文献：
————————————————
Bedbrook C. N., Nath R. D., Zhang L., Linderman S. W., Brunet A., Deisseroth K. Lifelong behavioral screen reveals an architecture of vertebrate aging. Science 391, eaea9795 (2026). DOI: 10.1126/science.aea9795