IF36.1｜行为流分析揭示啮齿动物潜在表型

用行为转换流而非行为簇，大幅提升统计效力并揭示个体差异。

这篇按生信解读号的读法拆：先看背景和问题，再看作者怎么做、做出了哪几条硬发现，最后把数据和代码收走。

研究背景

啮齿动物行为分析是生物医学研究的基础。传统方法依赖人工定义的行为类别，存在主观性和低通量问题。近年来，数据驱动方法通过无监督聚类将自由探索行为分割为行为簇，但面临多重比较导致的统计效力低下、跨实验可转移性差，以及无法充分利用个体丰富行为特征等挑战。这些局限阻碍了从行为数据中挖掘隐藏的治疗效应和个体差异。

科学问题

卡在哪里： 现有数据驱动方法将行为分割为独立簇，忽略了行为之间的转换动态，导致统计效力低、跨实验不稳定，且难以捕捉个体层面的细微行为差异。

本文要回答： 开发一种基于行为转换流的分析流程，以稳定行为簇、提高统计效力，并揭示个体水平的行为表型和潜在脑机制。

技术路线

作者主要用了：行为聚类、机器学习稳定化、行为流构建、降维、统计建模。

作者首先使用无监督聚类将行为分割为行为簇，然后通过机器学习稳定化这些簇以保证跨实验的可转移性。接着，计算每个动物的行为转换概率矩阵，构建行为流，并利用降维技术将高维行为流映射到低维空间进行个体分析。最后，在包含771个行为记录的大数据集上验证流程，涵盖应激、药物和脑环路干预等条件，以识别隐藏治疗效应和个体差异。

核心亮点

亮点 1｜行为流提升统计效力

与传统基于行为簇频率的方法相比，基于行为转换流的方法在检测处理效应时展现出更高的统计效力。在应激、药物和脑环路干预等多种条件下，行为流分析能够识别出传统方法遗漏的显著差异。例如，在应激暴露实验中，行为流分析检测到对照组与应激组之间的显著差异，而传统方法未能发现。这表明行为转换动态包含了行为频率之外的重要信息。

亮点 2｜揭示个体水平行为差异

通过降维技术，行为流分析能够将每个动物的行为特征映射到低维空间，从而揭示个体间的细微差异。在相同处理条件下，不同动物表现出独特的行为流模式，这些模式与动物的生理状态或后续行为相关。例如，在药物干预实验中，行为流分析识别出对药物反应不同的动物亚群，这些亚群在传统行为指标上无显著差异。

亮点 3｜预测未来行为

基于行为流特征，作者构建了预测模型，能够根据动物当前的行为流预测其未来的行为表现。在实验中，利用前一段时间的行为流数据训练模型，成功预测了动物在后续任务中的行为选择或应激反应。这表明行为流不仅反映当前状态，还包含预测未来行为的信息。

亮点 4｜兼容多种聚类方法

该流程与流行的行为聚类方法兼容，如MoSeq、B-SOiD等。作者展示了在不同聚类方法下，行为流分析均能稳定提升统计效力并揭示个体差异。这表明行为流分析是一种通用的后处理步骤，可广泛应用于现有行为分析流程。

生信可带走

这一块是给做分析的人用的，不是科普点缀。

• 方法栈： 行为聚类、机器学习稳定化、行为流构建、降维、统计建模
• 公开数据： 原文未给出公开组学登录号
• 代码： 公开仓库 https://github.com/ETHZ-INS/BehaviorFlow
• 谁该点开原文： 从事啮齿动物行为分析、神经科学或药物筛选的研究者，尤其是希望提高行为数据挖掘深度的生信人员。

带走一句

别只看行为频率，转换动态里藏着更多信息；用行为流分析可提升统计效力并揭示个体差异。