编辑推荐：
为解决手动分析小鼠厌恶反应耗时费力且结果易受主观影响的问题，研究人员开展基于机器学习的厌恶反应自动量化研究。利用 DeepLabCut 和随机森林分类器，发现自动估算结果与手动计数高度相关（Pearson’s r=0.97），为大规模行为分析提供新方法。
在生命科学研究领域，情绪的神经机制解析一直是重要且充满挑战的方向。厌恶（Disgust）作为一种核心负性情绪，对于生物体抵御中毒和感染至关重要，其异常表现与癌症化疗副作用、进食障碍、强迫症等多种精神疾病密切相关。然而，由于厌恶是一种主观意识体验，无法直接观测，长期以来研究者依赖对啮齿类动物味觉反应（Taste Reactivity）中特定行为的手动分析来量化厌恶反应，如张嘴（Gape）、甩头（Head Shake）、洗脸（Face Wash）等。这种逐帧手动标注的方法不仅耗时耗力，还存在人为偏差和个体间一致性差的问题，严重制约了大规模行为学研究和长期实验的开展。
为突破这一技术瓶颈，日本东京科学大学（Institute of Science Tokyo）的研究人员开展了一项创新研究，旨在开发一种自动化的小鼠厌恶反应量化方法。相关成果发表在《Scientific Reports》上，为动物行为分析领域提供了重要的技术工具。
研究人员采用了深度学习与机器学习相结合的技术路线。首先利用 DeepLabCut（DLC）这一基于深度神经网络的无标记姿势估计技术，对小鼠的鼻子、左右前爪和左右后爪共 5 个身体部位进行坐标追踪。通过训练 DLC 模型，实现了对小鼠行为视频中身体部位的自动定位，平均误差小于 1 毫米，精度优于同类研究。随后，将自动追踪数据与手动标注的厌恶反应标签（包括是否发生反应及反应类型）相结合，构建了随机森林（Random Forest）分类器。通过特征工程提取了包括位移、距离变化等在内的 125 维几何特征，并利用 Boruta 算法进行特征选择，最终确定了以鼻尖与前爪位置关系为核心的关键特征组合。
研究结果
手动分析与自动化追踪的对比
通过对 27 个视频的 97,200 帧进行手动标注，发现小鼠的厌恶反应主要表现为前肢挥舞（Forelimb Flail）、洗脸和 chin rub（下巴摩擦），而张嘴和甩头频率较低。传统手动分析需耗费大量人力，且不同观察者间存在数据差异，凸显了自动化方法的必要性。
随机森林分类器的性能
分类器在测试集上的整体准确率达 95% 以上，对洗脸（灵敏度 0.65，阳性预测值 0.85）和前肢挥舞（灵敏度 0.55，阳性预测值 0.73）的检测表现良好。尽管对张嘴和甩头的检测能力有限（灵敏度为 0），但模型对总厌恶反应次数的预测与手动计数高度相关（Pearson’s r=0.97），验证了其可靠性。
特征重要性与模型泛化性
特征重要性分析表明，前爪间距及鼻尖与前爪的距离是预测厌恶反应的关键指标。研究还发现，该模型可兼容低帧率（30 fps）视频和低成本设备，且仅需标注 5 个身体部位，显著降低了手动注释和计算资源的负担。
结论与讨论
这项研究首次实现了味觉反应测试中厌恶反应的自动化评估，解决了传统方法的主观性和效率瓶颈。通过结合 DeepLabCut 和随机森林算法，研究人员建立了一种可重复、高效的量化工具，适用于先天和习得性厌恶反应的大规模筛选，为神经科学、药理学和精神疾病研究提供了新范式。
尽管模型对高频微表情（如甩头）和口腔精细动作（如张嘴）的检测仍有局限，但通过增加追踪点或提高帧率有望改善。该方法的推广将加速厌恶情绪神经机制的研究，助力化疗副作用缓解、精神疾病病理解析及相关干预手段的开发。随着无标记姿势估计技术的进步，此类自动化行为分析工具将在生命科学领域发挥更广泛的作用，推动从分子机制到行为表型的跨尺度研究。
