小鼠在空旷场地里奔跑、嗅闻、理毛，这些看似杂乱的动作，实际上可能是一连串有组织的“自我任务”。近日，哈佛大学 Sandeep Robert Datta 团队在 Neuron 发表研究，开发了状态层次化 Motion Sequencing（shMoSeq）——一种新的无监督机器学习方法，能够从深度相机记录的小鼠行为中自动识别秒至分钟级的“行为状态”（如顺时针探索、逆时针探索、理毛、社交、物体探究等）。
上述研究中使用的 shMoSeq 为开源算法，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。
当我们观察一只在空旷场地自由活动的小鼠，它时而奔跑、时而站立嗅闻、时而理毛、时而停顿。这些看似随机的动作，背后是否隐藏着更高层次的组织结构？
传统动物行为学认为，自然行为并非简单动作集合，而是由一连串具有目标导向的“任务”组成，例如探索、社交、觅食和防御。但如何从连续运动数据中自动识别这些高阶任务，并进一步解析其神经编码机制，一直是行为神经科学领域的重要挑战。
2026 年，哈佛大学 Sandeep Robert Datta 团队在 Neuron 发表研究，开发了一种名为状态层次化 Motion Sequencing（shMoSeq） 的无监督机器学习方法。
该方法将小鼠自发行为分解为三个时间尺度：
- 毫秒级： 动物姿态变化；
- 亚秒级： 行为音节（behavioral syllables），如站立、转身、嗅闻；
- 秒至分钟级： 行为状态（behavioral states），如顺时针探索、逆时针探索、理毛、社交参与、物体探究等。
研究者进一步结合 dmPFC 钙成像、电生理记录以及兴奋性损伤模型，发现：
dmPFC 并非主要编码单个动作，而是优先编码这些高阶行为状态。
当 dmPFC 受损后，小鼠的行为时间结构发生明显紊乱——罕见行为状态减少，行为序列预测性下降，表现出更加刻板、缺乏灵活性的行为模式。
01
自发行为具有非马尔可夫高阶结构，shMoSeq 成功识别行为状态
研究者设计了多种行为范式，对小鼠在不同环境中的自发行为进行记录和分析，包括：
-
空场实验：
小鼠在直径 40 cm 的圆形旷场中自由活动 20–80 分钟。 -
社交实验：
在旷场中加入一只非攻击性的 C57 雄性同伴，记录社会互动行为。 -
新物体探索实验：
每 10 分钟向旷场中加入一个陌生物体，共加入 5 个物体，记录小鼠探究行为。 -
攻击行为实验：
交替加入攻击性 CD1 小鼠和非攻击性 CD1 小鼠，观察防御行为。 -
dmPFC 损伤实验：
双侧 dmPFC 注射 NMDA 造成兴奋性损伤，假手术组注射生理盐水，术后 5–12 周进行行为测试。
研究者首先利用 MoSeq 将连续行为分解为 72 个亚秒级行为音节（图 1A-C）。
通过计算行为音节序列之间的互信息发现：
真实行为序列在数十秒后仍保持较高的信息关联，而传统马尔可夫模型模拟的行为序列在数秒内即下降至随机水平。
这一结果说明，小鼠行为并非简单的短期动作组合，而存在更长时间尺度上的组织结构。
为了捕捉这种高阶结构，研究团队进一步开发了 shMoSeq（state hierarchical MoSeq）。
该模型通过引入隐藏行为状态，使不同状态能够改变行为音节的使用概率和转换模式。
结果显示：
shMoSeq 模拟生成的行为序列与真实行为数据高度一致，并且仅需两层结构：
行为状态 → 行为音节
即可解释小鼠复杂的自然行为组织。
在空场和社交环境中，shMoSeq 自动识别出 5 类主要行为状态：
- 顺时针探索；
- 逆时针探索；
- 理毛；
- 社交参与；
- 局部探究。
值得注意的是：
同一个行为音节可以出现在多个不同状态中。
例如，同样的转身动作，可能服务于探索、社交或物体探究等不同目标。
这说明动物行为并不是简单动作叠加，而是由更高层次的任务状态组织。
02
环境可供性塑造行为状态分布
为了验证行为状态是否反映动物对环境信息的利用，研究人员进一步分析了不同环境条件下行为状态的变化。
在空场环境中，小鼠主要表现为沿墙探索行为，并形成两类典型探索状态：
- 顺时针绕圈探索；
- 逆时针绕圈探索。
当加入 C57 同伴后，小鼠出现新的：
“社交参与”行为状态。
该状态下，小鼠与同伴距离更近，同时行为音节之间的信息关联增强，说明社交环境改变了动物行为组织方式。
在新物体实验中，随着陌生物体逐渐加入：
“局部探究”行为状态比例显著增加。
该状态中富集：
- 缓慢接近；
- 蹲伏探究；
- 物体相关嗅闻；
等与物体探索相关的行为音节。
研究结果表明：
行为状态并非固定存在，而是由环境中的可供性（affordances）动态驱动。
动物会根据当前环境中的目标对象，调整自身行为状态组合，从而形成适应性的探索策略。
03
行为状态结构化 dmPFC 神经活动，前额叶优先编码高阶行为状态
为了探索行为状态是否具有对应的神经编码基础，研究团队进一步结合 dmPFC（背内侧前额叶皮层）钙成像技术，同步记录小鼠自发行为和神经活动。
研究发现：
不同的行为状态均对应特定的神经元群体活动模式。
当小鼠处于不同状态时，例如：
- 探索性运动；
- 社交互动；
- 局部探究；
- 理毛；
dmPFC 中均有不同神经元群体被激活或抑制。
进一步分析显示，仅根据 dmPFC 神经活动模式，即可准确预测小鼠当前所处的行为状态。
在神经活动二维 UMAP 降维空间中，不同行为状态对应不同的神经活动区域，呈现出明显分离。
为了进一步比较“低阶动作”和“高阶状态”对神经活动解释能力的差异，研究者建立了不同编码模型：
- 模型 1：运动学变量 + 行为音节；
- 模型 2：运动学变量 + 行为音节 + 行为状态。
结果发现：
加入行为状态信息后，几乎所有 dmPFC 神经元的预测准确率均显著提升。
相比之下，在背外侧纹状体（DLS）中，加入行为状态信息并未产生类似提升。
此外：
- dmPFC 对行为状态的解码准确率高于 DLS；
- DLS 对行为音节的解码能力更强。
这些结果说明：
dmPFC 并非主要负责简单动作执行，而是专门参与更高层次行为结构的编码；而纹状体则更多参与低阶运动控制。
04
状态依赖的神经编码：任务相关信息在对应行为状态中增强
如果行为状态代表动物正在执行的“自我任务”，那么与当前任务相关的信息应该在对应状态中得到优先编码。
研究人员进一步分析了 dmPFC 对环境变量的编码方式。
1. 墙壁信息编码
在探索行为中，小鼠经常沿着墙壁移动。
研究发现：
dmPFC 中存在一类神经元能够编码：
- 墙壁方向；
- 墙壁距离。
但这种编码并非持续存在。
当小鼠处于“探索性运动”状态时，这类神经元活动最强。
即使控制实际空间距离和运动方向后，这种状态依赖性的编码仍然存在。
与经典的后扣带回皮层（RSC）边界向量细胞不同：
dmPFC 对墙壁信息呈现明显的左右方向偏好，而不是完整空间角度调谐。
这说明 dmPFC 更关注：
“沿墙探索”这一特定行为任务中的环境信息。
2. 社交信息编码
在社交状态中：
编码同伴距离的神经元活动显著增强。
这些神经元并不是持续监测社交距离，而是在：
“社交参与”行为状态
中表现出最强的信息编码。
3. 物体信息编码
类似地：
编码物体距离和物体身份的神经元，在：
“局部探究”行为状态
中具有最高解码准确率。
进一步改变任务相关性：
例如将 C57 同伴替换为攻击性 CD1 小鼠后，
研究发现 dmPFC 对相关环境变量的编码强度发生改变。
这进一步证明：
dmPFC 会根据当前行为任务需求，动态调整对环境信息的表征方式。
05
神经活动滞后于行为状态，dmPFC 负责维持行为灵活性而非发起动作
研究者进一步分析 dmPFC 神经活动与行为状态转换之间的时间关系。
结果发现：
dmPFC 神经元活动变化通常发生在行为状态转换之后。
即：
小鼠已经进入新的行为状态后，dmPFC 神经活动才逐渐发生变化。
利用神经解码器预测行为状态时，也发现：
预测结果相较真实行为状态存在明显时间滞后。
在社会支配行为实验（管子测试）中，研究者同样观察到：
dmPFC 对自我推进状态的神经编码约滞后 2 秒。
Neuropixels 电生理记录进一步验证了这一现象。
这些结果说明：
dmPFC 并不是行为状态转换的直接发起者，而更像一个“状态监测器”，负责识别并维持当前行为任务结构。
为了进一步验证 dmPFC 的功能，研究人员对 dmPFC 进行 NMDA 兴奋性损伤。
结果显示：
损伤后，小鼠：
- 基础运动能力未发生明显变化；
- 行为音节使用频率基本保持正常。
但其行为组织结构明显受损。
具体表现为：
1. 长时间行为结构下降
正常小鼠行为音节之间存在较长时间尺度的关联。
而 dmPFC 损伤后：
行为序列互信息衰减速度明显加快。
2. 罕见行为状态减少
损伤小鼠进入：
- 理毛状态；
- 局部探究状态；
的概率显著下降。
但常见探索状态并未明显改变。
3. 新物体诱导行为消失
在新物体环境中：
正常小鼠会增加“局部探究”状态。
而 dmPFC 损伤小鼠无法产生这种适应性变化。
因此：
dmPFC 的核心作用不是控制单个动作，而是允许动物根据环境需求灵活调用不同的行为任务状态，使行为保持层次化和适应性。
06
总结
本研究通过 状态层次化 MoSeq（shMoSeq）无监督行为状态识别方法，首次揭示了小鼠自发行为背后的高阶组织结构。
研究发现：
小鼠连续的运动并非简单动作堆叠，而是由秒至分钟尺度的“行为状态”组成，这些状态对应动物正在执行的不同“自我任务”，例如：
- 沿墙探索；
- 社交互动；
- 新物体探究；
- 理毛等。
shMoSeq 能够从连续行为数据中自动识别这些高阶状态，并揭示：
环境中的可供性会动态塑造行为状态分布。
进一步结合神经记录发现：
dmPFC 神经元并非主要编码单个运动动作，而是优先编码行为状态结构。
与低阶运动相比，高阶行为状态能够更好地解释 dmPFC 神经活动。
此外，dmPFC 损伤并不会破坏小鼠基本运动能力，却会导致：
- 罕见行为状态减少；
- 行为序列组织性下降；
- 新环境适应能力降低。
说明 dmPFC 的主要作用并不是直接驱动动作，而是帮助动物根据环境需求灵活切换行为任务状态。
该研究首次建立了：
“自然行为状态 → 前额叶神经编码 → 行为灵活性”
之间的联系，为理解复杂自然行为的神经机制提供了新的理论框架。
07
BayOne 助力科研
上述研究中使用的 MoSeq 和 shMoSeq 均为开源算法，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。
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。
相比传统行为观察方法，BehaviorAtlas 通过 AI 视觉算法实现：
- **无标记行为追踪：**无需植入标签或穿戴设备，减少实验干扰；
- **三维姿态解析：**精准捕捉动物身体关键点及运动轨迹；
- **精细行为量化：**自动识别复杂行为模式，减少人工主观偏差；
- **多维数据输出：**支持运动轨迹、行为频率、时间占比等多参数分析。
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；
以及：
- 自闭症；
- 帕金森症；
- 抑郁症；
- 脑出血；
- 精神类药物筛选；
等多种疾病模型和科研场景中开展应用。
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：
Weinreb C, Kannan LT, Newman-Boulle A, et al.
Spontaneous behavior is a succession of self-directed tasks.
Neuron. 2026;114(5):922-937.e12.
doi:10.1016/j.neuron.2025.11.021