Nat Mental Health | 斯坦福學者開創AI跨物種研究新范式

PsyBrain 腦心前沿 | 公眾號 PSY-Brain_Frontier

一鍵關注，點亮星標 ??

不錯過每日前沿資訊

認知神經科學前沿文獻分享

基本信息：

Title:A multi-dimensional transfer learning framework for studying reward-guided behaviors across species

發表時間：2025.11.28

Journal:Nat. Mental Health

影響因子：8.7

獲取原文：

1. 添加小助手:PSY-Brain-Frontier即可獲取PDF版本

研究動機與背景

獎賞引導行為（Reward-guided behavior, RGB）是人類和動物生存與適應環境的基石，其功能障礙與抑郁癥、成癮等多種精神健康問題密切相關。然而，現有的跨物種研究面臨著巨大的挑戰：一是跨物種測量的可靠性不足，物種間因生態壓力和社交結構的差異，導致相似行為的心理學意義未必一致；二是轉化有效性不明，動物模型中發現的神經機制往往難以直接映射到人類復雜的高級心理狀態或臨床產出上。雖然神經影像學已嘗試尋找跨物種的“錨點”，但行為本身的復雜性使其難以直接比較。因此，作者試圖通過整合人工智能技術，提出一種多維度遷移學習框架，利用可觀測的行為表達組件（如面部表情、運動軌跡等）作為新的“錨點”，旨在通過AI的計算能力消除物種間的數據鴻溝，從而更深地理解獎賞行為的通用原則及其對精神健康的臨床價值。

實驗設計與方法邏輯

作者在觀點中提出了幾個關鍵假設：

第一，假設在不同物種（特別是陸生哺乳動物）中，獎賞引導行為的某些表達組件背后存在保守的神經環路和生物學原則；

第二，假設通過特定的AI架構（如領域對抗神經網絡或多任務深度神經網絡），可以有效地從異構的行為數據中提取出物種無關（Invariant）的特征，從而提高跨物種預測的準確性；

第三，預期通過在動物數據上的預訓練并向人類數據遷移，可以更靈敏地識別出與多巴胺缺失等神經功能障礙相關的通用行為特征。

基于上述假設，為了解決跨物種研究的斷層問題，作者設計并提出了一個由人工智能驅動的“多維度遷移學習框架”，其核心邏輯在于利用AI作為行為數據的“翻譯官”。該方法首先選取面部表情、身體動作、生理信號和語言聲音作為跨物種的表達組件（Expression components），認為這些是評估可靠性和有效性的理想“錨點”。在方法實施上，框架分為兩個核心遷移維度：一是“概念層面遷移”，通過深度學習和多模態Transformer等技術提取跨物種通用的行為原則（如探索與利用的博弈），尋找共享的認知結構；二是“參數層面遷移”，通過領域自適應（Domain Adaptation）和對抗性學習，微調實驗參數和評估工具，以消除不同物種間在解剖結構和環境背景下的數據分布差異。這種邏輯不僅能從動物實驗中提取因果機制，還能通過人類臨床驗證來不斷優化模型，形成一個雙向迭代的閉環系統。

核心觀點

核心觀點一：

跨物種可靠性與轉化有效性的雙向評估框架

作者提出了一個以“表達組件”為中心的中介模型，用于連接動物層面的驅動機制（如腦環路）與人類層面的功能結果（如精神障礙）。Fig 1展示了該模型如何通過雙向循環發揮作用：一方面利用動物研究揭示因果機制以理解人類疾病；另一方面利用人類臨床發現來精修和引導動物模型的開發。這種設計強調了“行為表達組件”（如身體運動）作為跨物種比較的“錨點”，是驗證轉化有效性的關鍵路徑

Fig. 1: Conceptual framework for evaluating the cross-species reliability and translational validity of comparable reward-guided behaviors.

核心觀點二：

AI驅動的跨物種行為特征提取與神經映射實證

通過兩個具體的AI演示（Demonstrations），驗證了遷移學習在不同行為領域的應用潛力。在運動軌跡分析（Fig 2a）中，領域對抗神經網絡通過梯度反向層消除了物種間的體型和步態差異，提取出線蟲、小鼠和人類共享的時空特征，成功實現了基于動物數據預訓練模型對人類多巴胺缺陷導致的運動障礙預測。在面部屬性分層處理（Fig 2b）中，研究發現AI模型的分支結構（身份分支與表情分支）與人類及獼猴視覺系統的階梯式組織高度吻合，特別是模型表情分支的表示與獼猴大腦杏仁核及前部基底區域（AF）的fMRI反應顯著相關，證明了AI模型在模擬生物神經表征方面的準確性。

Fig. 2: Demonstrations of multi-dimensional characteristics in cross-species reward-guided behavior analysis.

AI銳評

這篇文章展現了行為科學與人工智能深度融合的前瞻性，其最大的亮點在于將抽象的“遷移學習”具象化為解決跨物種生物學差異的操作指南，尤其是通過將模型內部表征與實際神經影像數據（fMRI）進行比對，極大地增強了AI模型的生物學可信度。然而，該框架也存在明顯的局限性：一是目前案例仍高度依賴于數據豐富的陸生哺乳動物，對于生態環境更復雜的自然野外場景以及非哺乳類物種的泛化能力尚存疑問；二是AI模型的“黑盒”屬性在需要極高解釋性的臨床決策中依然是一大障礙，即便引入了注意力機制，如何確保模型捕捉的是生物學信號而非背景噪聲仍需更嚴苛的驗證。總體而言，這是一篇極具啟發性的綜述類Perspective，標志著跨物種行為研究正從定性觀察跨入定量計算的新時代。

請打分

這篇剛剛登上Nat. Mental Health的研究，是否實至名歸？我們邀請您作為“云審稿人”，一同品鑒。精讀全文后，歡迎在匿名投票中打分，并在評論區分享您的深度見解。

前沿交流|歡迎加入認知神經科學前沿交流群！

核心圖表、方法細節、統計結果與討論見原文及其拓展數據。

分享人：天天

審核：PsyBrain 腦心前沿編輯部