《Scientific Reports》：Automatic quantification of disgust reactions in mice using machine learning
編輯推薦：
為解決手動分析小鼠厭惡反應耗時費力且結果易受主觀影響的問題，研究人員開展基于機器學習的厭惡反應自動量化研究。利用 DeepLabCut 和隨機森林分類器，發現自動估算結果與手動計數高度相關（Pearson’s r=0.97），為大規模行為分析提供新方法。
在生命科學研究領域，情緒的神經機制解析一直是重要且充滿挑戰的方向。厭惡（Disgust）作為一種核心負性情緒，對于生物體抵御中毒和感染至關重要，其異常表現與癌癥化療副作用、進食障礙、強迫癥等多種精神疾病密切相關。然而，由于厭惡是一種主觀意識體驗，無法直接觀測，長期以來研究者依賴對嚙齒類動物味覺反應（Taste Reactivity）中特定行為的手動分析來量化厭惡反應，如張嘴（Gape）、甩頭（Head Shake）、洗臉（Face Wash）等。這種逐幀手動標注的方法不僅耗時耗力，還存在人為偏差和個體間一致性差的問題，嚴重制約了大規模行為學研究和長期實驗的開展。
為突破這一技術瓶頸，日本東京科學大學（Institute of Science Tokyo）的研究人員開展了一項創新研究，旨在開發一種自動化的小鼠厭惡反應量化方法。相關成果發表在《Scientific Reports》上，為動物行為分析領域提供了重要的技術工具。
研究人員采用了深度學習與機器學習相結合的技術路線。首先利用 DeepLabCut（DLC）這一基于深度神經網絡的無標記姿勢估計技術，對小鼠的鼻子、左右前爪和左右后爪共 5 個身體部位進行坐標追蹤。通過訓練 DLC 模型，實現了對小鼠行為視頻中身體部位的自動定位，平均誤差小于 1 毫米，精度優于同類研究。隨后，將自動追蹤數據與手動標注的厭惡反應標簽（包括是否發生反應及反應類型）相結合，構建了隨機森林（Random Forest）分類器。通過特征工程提取了包括位移、距離變化等在內的 125 維幾何特征，并利用 Boruta 算法進行特征選擇，最終確定了以鼻尖與前爪位置關系為核心的關鍵特征組合。
研究結果
手動分析與自動化追蹤的對比
通過對 27 個視頻的 97,200 幀進行手動標注，發現小鼠的厭惡反應主要表現為前肢揮舞（Forelimb Flail）、洗臉和 chin rub（下巴摩擦），而張嘴和甩頭頻率較低。傳統手動分析需耗費大量人力，且不同觀察者間存在數據差異，凸顯了自動化方法的必要性。
隨機森林分類器的性能
分類器在測試集上的整體準確率達 95% 以上，對洗臉（靈敏度 0.65，陽性預測值 0.85）和前肢揮舞（靈敏度 0.55，陽性預測值 0.73）的檢測表現良好。盡管對張嘴和甩頭的檢測能力有限（靈敏度為 0），但模型對總厭惡反應次數的預測與手動計數高度相關（Pearson’s r=0.97），驗證了其可靠性。
特征重要性與模型泛化性
特征重要性分析表明，前爪間距及鼻尖與前爪的距離是預測厭惡反應的關鍵指標。研究還發現，該模型可兼容低幀率（30 fps）視頻和低成本設備，且僅需標注 5 個身體部位，顯著降低了手動注釋和計算資源的負擔。
結論與討論
這項研究首次實現了味覺反應測試中厭惡反應的自動化評估，解決了傳統方法的主觀性和效率瓶頸。通過結合 DeepLabCut 和隨機森林算法，研究人員建立了一種可重復、高效的量化工具，適用于先天和習得性厭惡反應的大規模篩選，為神經科學、藥理學和精神疾病研究提供了新范式。
盡管模型對高頻微表情（如甩頭）和口腔精細動作（如張嘴）的檢測仍有局限，但通過增加追蹤點或提高幀率有望改善。該方法的推廣將加速厭惡情緒神經機制的研究，助力化療副作用緩解、精神疾病病理解析及相關干預手段的開發。隨著無標記姿勢估計技術的進步，此類自動化行為分析工具將在生命科學領域發揮更廣泛的作用，推動從分子機制到行為表型的跨尺度研究。
