饥饿不仅能驱动觅食，还会让动物更愿意冒险、更积极探索陌生环境。 这种适应性行为的神经机制是什么？哈佛大学医学院 Bernardo Sabatini 团队在 Neuron 发表研究，采用 Motion Sequencing（MoSeq）无监督行为音节分析和 DeepLabCut 关键点追踪，系统解析了饥饿如何重塑小鼠的自发行为结构和新物体探索模式，揭示了内部状态调控本能行为的精细神经环路机制。
上述研究中使用的 shMoSeq 和 DeepLabCut 均为开源或公开算法，需要使用者具备一定的编程能力。而一湾生命科技自主研发的 BehaviorAtlas 3D-AI 精细行为学分析系统，同样能够支持上述高精度行为学研究，并提供更便捷、一体化、本土化的解决方案。
饥饿时，动物不仅会更积极地寻找食物，还会变得更大胆——更愿意探索陌生环境、接近潜在威胁。这种“饿着肚子反而更敢冒险”的现象在进化上有利于扩大觅食范围、提高生存机会。但大脑是如何根据饥饿状态来调整探索与恐惧之间的平衡的呢？
2025 年，哈佛大学医学院 Bernardo Sabatini 团队在 Neuron 发表研究，利用 MoSeq 无监督行为音节分析和 DeepLabCut 关键点追踪等精细行为学技术，结合在体光纤记录、光遗传/化学遗传操控，揭示了饥饿通过下丘脑 AgRP 神经元→外侧下丘脑→黑质致密部多巴胺神经元→纹状体尾部这一多突触通路，抑制与新物体退缩相关的多巴胺信号，从而降低风险感知、增强探索行为。
01
MoSeq 揭示：饥饿重塑自发探索行为结构
研究者首先建立了一个两阶段旷场新物体探索（NOE）范式：小鼠先在空旷场地自由探索 2 天（H1-H2），然后在场地一角放入一个新颖物体，再探索 2 天（N1-N2）。实验分饥饿组（食物限制至 80-90%正常体重）和饱食组（自由进食）。小鼠行为通过头顶摄像机录制，并使用 MoSeq ——一种无监督机器学习算法——将连续行为自动分解为重复出现的“行为音节”（syllables），并分析音节使用频率和序列结构（图 1A-B）。
结果发现，无论是空场还是有物体存在，饥饿组与饱食组的行为音节使用频率均存在显著差异（图 1C），表明饥饿状态本身就改变了动物的自发行为谱。
进一步分析音节转换的熵（反映行为序列的随机性）发现，饥饿组小鼠在空场和有物体条件下，音节转换熵均显著低于饱食组（图 1D），意味着饥饿小鼠的行为更加刻板、重复性更高——这实际上是一种高效的“螺旋搜索”策略，有利于在陌生环境中快速覆盖空间。
有趣的是，物体的出现显著增加了饱食组小鼠的行为熵（行为变得更随机、更“好奇”），但对饥饿组没有显著影响（图 1E），提示饥饿削弱了新物体对行为结构的影响。
02
DeepLabCut 追踪揭示：饥饿增加新物体探索、减少风险评估
MoSeq 揭示了整体行为结构的变化，但无法精准量化小鼠与物体的交互细节。为此，研究者使用 DeepLabCut 进行关键点追踪，标注小鼠的鼻尖、头部和尾根，并计算这些部位与物体的距离（图 2A-B）。
他们将一次“交互回合”定义为鼻或尾进入物体周围 7cm 半径内并退出的过程，并根据尾巴相对于鼻子的位置，将交互分为“尾巴在后”（tail-behind，类似“伸展-注视”风险评估姿势）和“尾巴暴露”（tail-exposed，更大胆的姿势）。
结果显示：饥饿小鼠探索新物体的总时间显著长于饱食小鼠，并且在交互过程中尾巴暴露的时间占比更高（图 2C），说明它们更少表现出谨慎的风险评估姿势、更大胆地接近物体。
但两组小鼠的交互次数没有差异，说明饥饿增加的是单次探索的时长，而非探索频率。
此外，研究者发现，饥饿小鼠的行为熵与探索时间及尾巴暴露时间呈显著负相关（图 2D），即行为越刻板、越有结构的小鼠，对新物体的探索越积极，进一步支持饥饿通过重塑行为结构来促进探索的结论。
03
总结
本研究通过 MoSeq 无监督行为音节分析和 DeepLabCut 关键点追踪，精细刻画了饥饿状态下小鼠行为的两大变化：一是自发行为结构变得更具重复性（熵降低），二是对新物体的探索行为增加、风险评估行为减少。
这些行为表型为后续揭示“饥饿→AgRP 神经元→外侧下丘脑→黑质多巴胺神经元→纹状体尾部”这一神经环路提供了关键的行为学基础。
04
BayOne 产品介绍
上述研究中使用的 MoSeq 和 DeepLabCut 均为开源或公开算法，需要使用者具备一定的编程和数据处理能力。而一湾生命科技自主研发的 BehaviorAtlas 3D-AI 小鼠精细行为分析系统，同样能够支持上述高精度行为学研究，并提供更便捷、一体化、本土化的解决方案。
BehaviorAtlas 3D-AI 动物行为分析系统是国内首家 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、脑出血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。
点击图片，了解更多关于3D-AI 动物行为分析系统的
详细信息
如果您对**BehaviorAtlas 3D-AI 动物行为分析系统**感兴趣，欢迎通过公众号私信或扫描下方的微信二维码联系我们，我们将竭诚为您提供更多信息和帮助。
参考文献：
Kamath T, Lodder B, Bilsel E, et al. Hunger modulates exploration through suppression of dopamine signaling in the tail of the striatum. Neuron . 2025;113(23):4055-4068.e8. doi:10.1016/j.neuron.2025.09.009