BehaviorAtlas——用AI解码行为语言
动物行为（Animal behavior）是指动物与外部环境或其他个体交互时，通过自身身体变化做出的一种反应 (Bergner, 2011)。动物无法说话，但动物可以通过从微妙的精细姿态，到复杂的长时程的活动状态，来传达动物机体内部的生理动态和外界环境变化的重要信息。所以，动物通过行为这种特殊的“语言”来实现与自然界的交流。
理解这门“语言”对于困扰人类身心健康的脑疾病诊治以及脑科学的发展都至关重要。而基于现有的传统技术，对于动物行为语言的理解还停留在相对粗糙、主观和依靠大量人力的阶段。领域内普遍认为，造成这种局面的原因，更多是对于动物行为的认识缺乏结构化的认识，而并非是技术本身（Berman, 2018; Katsiaryna, 2017）。
实际上，经典的动物行为学理论学说(Egnor et al., 2016; Hinde et al., 1976; Tinbergen, 2020)，以及近年来基于动物行为实验的研究都表明：动物的行为如同人的语言中的“字母-单词-语句”一样，具备从“姿态-动作-行为谱（Ethogram）”这样的一个自下而上的、具有层次化的组织结构。基于这种清晰、可执行的理论框架下编写的计算机程序，才能实现对动物行为自动化、智能化和精细化的解读。
图1 动物行为的“类语言”的结构 (Datta, 2019; Markowitz et al., 2018)
01
为什么说动物行为学对脑疾病的诊治和脑科学的发展具有重要意义？
目前，全球约有10亿人受脑疾病的困扰，每年患者在这上面的消耗高达1万亿美元。过去40年，全世界投入了近1万到2万亿美金到针对脑疾病的新药研发上。而多数这些脑疾病最大的危害就是它造成了人类行为的异常。任何一种新的药物，或者医疗器械，在正式上到临床前，都要通过对动物行为的测试来对它们的治疗机制、效果、副作用等进行全方位评价。
我们以研发或者筛选一种治疗抑郁症的新药为例。首先要做的就是要在动物上模拟抑郁症，这个过程叫做疾病造模，造模后的动物叫做疾病动物模型（或者模式动物）。这种模型一般既要在低成本、高效率的小鼠上进行，也要在跟人类更接近的猴子上进行。其次，对这些造模后的动物进行给药测试，评估药物对动物的作用效果。在这两个过程中，我们需要在给药前判断动物模型是否表现出与人类接近的抑郁症行为异常；还需要在给药后判断异常的行为是否能够被显著、稳定以及安全地被药物纠正。此外，在此过程中，除了观测行为，还需要同步利用先进的基因测序、神经影像、神经电生理、神经调控及神经环路追踪技术，去更加清晰地了解抑郁症发病以及治疗的机理。
理想情况下，如果我们知道了大脑的神经活动和其产生的行为之间一一的对应关系。那么，我们就能很容易地对各种引发行为异常的脑疾病进行治疗。这不仅对脑疾病诊治的意义重大，一旦我们知道了大脑产生复杂行为的原理，我们就可以制造出能够模拟人类智能行为的机器，这实际上就是当今人工智能（artificial intelligence, AI）技术的核心目标。
02
传统的动物行为学研究方法有哪些局限性？
人类进入到现代科学以来，通过最原始的人工观察研究动物行为，达尔文提出了进化论这种影响人类思想观念的重要学说；廷贝亨获得了诺贝尔奖。在近半个世纪以来，摄像技术等传感器技术出现后，人们可以利用录像等设备记录动物行为，实现可重复、可追溯的行为观察。随之而来的需求是，如何定量地去分析动物行为来弥补人工看录像过程中的主观偏差和费时费力。
一开始在自然状态下记录的动物行为原始数据非常复杂，需要多维度、多层次的量化：首先，动物各个肢体之间进行多维度的自由组合形成复杂的姿态特征；其次，行为不仅包含姿态这种静态层的特征，还包含速度、运动序列等动态的信息；最后，行为是一个时间连续变化的过程，具有动态性，且需要在特定环境中上联系上下文关系。这在早期，不管是对于数据处理算法还是计算资源来讲，都是巨大的挑战。
图2 动物行为量化的不同层次
为了能够自动化地提取其中的行为参数，科学家们采用了控制变量和简化的思想。先是设计了一系列行为测试装置，包括旷场（open-field test, OFT）、高架十字迷宫（elevated plus-maze test, EPM）、水迷宫（morris water maze, MWM）等。在这些实验装置中，通常要结合视觉、声音及其他物理刺激，训练动物在特定刺激下，诱发产生特定受约束的行为。这极大地简化了实验环境和动物行为的复杂性；其次，由于环境简单，数字图像处理技术可以追踪动物的轮廓、位置等相对简化的信息。结合进一步对动物的位置和速度等参数的统计，动物行为学实验的效率得到了极大的提升。这种方式直到现在还在被广泛应用，并且有很多经典的范式。
这些方法不仅广泛地应用在基础研究领域，有些还作为临床前药物评估的金标准，用于对动物疾病模型的评估以及药效的筛选 (Unal et al., 2019)。以FST为例，2015年的一篇文章中提到，自FST从20世纪70年代用在抗抑郁药物筛选以来，目前全世界平均每天就有一篇基于FST研究抑郁的文章发表 (Molendijk et al., 2015)。在这个实验中，小鼠被放置于一个无法逃避装有水的容器中，动物首次实验必须进行一定时长的游泳；第二次观察时，记录动物从开始游泳到放弃挣扎的时间，以此来评估动物的绝望情绪状态，最后类比到动物抑郁程度。然而，该范式目前饱受争议，动物放弃挣扎到底是动物已经适应了环境还是真正的情绪障碍，这个问题目前尚未有明确证据。FST之所以被广泛使用的原因是因为该方法对于动物行为具有更好的量化性，而不是它能真正能对应到人的精神疾病状态。
这种简化的范式，无法模拟自然状态的抑郁症症状，从而导致这么多年，有关抗抑郁药物研发屡遭失败。因此，这几年来自哈佛大学、卡耐基梅隆大学、德国马普所等多个国际研究同行们近两年通过在权威期刊上发表综述(Altimus et al., 2020; Datta et al., 2019; Von Ziegler et al., 2021)提出：要基于新的人工智能技术，发展新的能够更好地分析自然状态下的动物行为，对于推动生命科学领域的发展势在必行。
03
新的方法应该是什么样的以及有哪些优势？
新的方法应该首先考虑在更加接近自然的状态下观测动物的行为，而不是只基于一些不会发生在人身上的范式场景去诱发动物行为。其次应该更加直面一开始在自然状态下量化动物行为所遇到的挑战。采用新的技术，更加精准、全方位地捕捉到动物行为的原始特征；像识别人类语言一样，对于不同层次的行为数据进行量化；更为重要的是，需要在不同物种、不同品系的动物上，构建动物行为的“字典”。
这种新的方法对于未来大量的转基因动物疾病模型的行为分析提供了一个重要工具。使得行为分析如同基因测序一样，实现对新的动物行为模式进行“建档”式的测评。基于这种全面、精细化的行为档案的建立，形成一个跨物种的、分门别类的行为库，对于后续的脑疾病诊断具有重要的参考价值。
另一方面，基于疾病动物模型的行为学评估是目前临床前药效评价的一个重要环节。由于现有的行为学评估方法的行为指标的单一性导致了行为特征与实际的症状难以对应，从而导致药物筛选的“失败”，以及大量人力和物力的浪费。那么，新的方法应该是进一步建立一个与疾病动物模型相关的行为大数据表型库，促进神经环路及行为研究、神经药理学、药物研发、疾病诊断等领域的效率和精准性。最终目标是通过动物疾病模型行为评估的规范化、标准化和产业化来推动生命健康领域的发展。
04
什么是BehaviorAtlas?
BehaviorAtlas是一套数字化智能行为分析系统，是由深圳市一湾生命科技有限公司与中科院深圳先进技术研究院成立的AI智能行为分析系统及神经疾病药效评价联合实验室，于2021年发表在Nature Communications(Huang et al., 2021)的技术基础上，研发出的能够针对多种疾病动物模型进行三维精细姿态轨迹追踪，并从这些姿态中自动化地提取与脑疾病密切相关的行为生物标记物的软硬件系列产品。
图3 BehavioAtlas 三维行为采集设备
BehaviorAtlas的核心特性包括：
1. 采用3D-AI技术精准获取动物姿态，构建动物行为语言的“字母表”。自主研发的行为采集设备获取动物行为的多视角视频，并利用计算机视觉及AI技术提取动物身体的关键点的运动轨迹，最终构建起三维动物运动骨架。相比传统技术，这种方式无需动物佩戴任何传感器，且最大限度地保留了动物的行为信息；
2. 采用无监督层次化行为语义翻译网络：该网络自动逐层搜寻不同层级的语义模块，首次构建行为语义库无需人工标记数据。解决了传统行为识别中需要海量人工数据集的问题；
3. 将上述可量化的行为参数结合专业领域知识构建行为语义图谱：将多层次动物行为参数与各种领域、各种场景的动物行为意图关联起来，构建一个行为图谱数据库。实现将动物行为到动物能力、情绪、健康等维度的映射。一旦这种行为图谱构建起来，不仅能推动生物医药领域发展，在宠物、军警犬等领域都有重要的应用价值。
关于BehaviorAtlas
关于BAYONE
一湾生命科技(BAYONE)是一家基于AI技术、计算机视觉、神经科学，聚焦输出生命科学领域高端设备、平台和服务的公司。公司在脑科学与类脑研究领域持续深耕，自主开发了神经行为学智能分析系列产品，在国际上均处于领先水平，相关研究成果多次发表于顶级期刊，服务于众多高校、科研院所。此外，公司还为用户提供疾病模型动物造模、实验动物繁育、动物实验数据分析及药物筛选等服务。
目前公司已经获得2000万天使轮投资，并与中国科学院深圳先进技术研究院成立了「AI智能行为分析系统及神经疾病药效评价联合实验室」。
