行为解码揭示癫痫小鼠模型的发作微特征与猝死风险关联

时间：2025年9月14日

来源：Annals of Neurology

编辑推荐：

本刊推荐：本研究利用人工智能（AI）辅助工具DeepLabCut（DLC）与Behavioral Segmentation of Open Field in DLC（B-SOiD），对癫痫小鼠模型的行为微特征进行高通量解码。研究发现63个可解释行为组能区分发作状态、揭示时间演变规律，并成功预测癫痫猝死（SUDEP）风险。该成果为癫痫机制研究、抗癫痫药物（ASM）筛选及临床视频监测提供了重要技术支撑与转化价值。

引言背景

癫痫的行为和运动表现是诊断与分类的重要依据，但传统人工视频分析存在主观性强、效率低下、难以捕捉动态细节等局限。随着人工智能（AI）技术的发展，基于计算机视觉的行为分析为癫痫研究提供了新的解决方案。本研究通过整合DeepLabCut（DLC）和Behavioral Segmentation of Open Field in DLC（B-SOiD）两大工具，系统解码了癫痫小鼠模型在诱导发作中的行为微特征，旨在揭示行为模式与发作结局之间的关联。

方法学创新

研究采用32种近交系小鼠（Collaborative Cross）和Angelman综合征（AS）模型鼠，通过氟醚（flurothyl）诱导癫痫发作，并使用单摄像头记录行为视频。DLC模型通过标注28个体部位点实现高精度姿态估计，测试误差仅2.23像素。B-SOiD则通过无监督聚类识别出67个行为组（BG），经筛选后保留63个高精度（≥80%准确率）且可解释的行为组。进一步分析包括主成分分析（PCA）、熵值计算、关节运动学分析以及频繁模式挖掘（Apriori算法），全面量化行为特征。

行为微特征区分发作状态

研究发现，40个行为组在发作前（preictal）、肌阵挛发作（MS）和全面性发作（GS）阶段的使用频率存在显著差异。其中BG#40（攀爬）、BG#58（俯冲）和BG#63（平衡）变化最为显著。PCA分析显示PC1可区分发作前与发作状态，而PC2则进一步区分MS与GS。熵值分析表明，发作后行为复杂性显著降低，提示行为更趋刻板。此外，研究还发现雄性和雌性小鼠在发作中存在行为差异，强调性别因素在癫痫表型研究中的重要性。

遗传背景影响行为表型

不同遗传背景的小鼠表现出独特的行为模式。例如，CC032品系在MS和GS阶段均表现出特异的行为集群，而C57BL/6J（B6J）则表现为冻结伴前肢伸展。聚类分析显示，毛色（如Agouti和Albino）与行为网络存在关联，提示遗传背景通过神经发育轨迹影响行为表型。这些发现表明，常用近交系小鼠的行为反应不可简单外推至其他遗传背景。

SUDEP的行为标志与预测

通过分析GS阶段的行为特征，研究发现BG#63（平衡）在致死性发作中使用频率较高（21.10% vs 10.53%）。虽然静态行为组频率差异不显著，但动态行为转换概率在致死性发作中显著改变，例如BG 42→31 和 BG 31→42 的转换增加。频繁模式挖掘进一步识别出与SUDEP高度相关的行为序列，如BG#58（俯冲）、BG#50（跌落）和BG#63（平衡）的串联出现。基于随机森林（Random Forest）的分类模型在预测SUDEP时达到AUROC=0.74，显著优于人类观察者（AUROC=0.57）。时间截断分析显示，越接近死亡时间，预测准确性越高。此外， kinematics 分析发现致死性发作中膝关节角度更大、角速度更快，提示运动动力学特征可作为SUDEP的潜在标志。

发作行为的时序演变

通过8天氟醚点燃（kindling）实验，研究发现在抗点燃品系CC051中，虽然发作阈值和Racine评分无显著变化，但行为组使用频率和熵值随时间动态演变。例如，BG#47（冻结伴头部微颤）在MS阶段使用增加，而BG#40（攀爬）在GS阶段显著上升。熵值在GS第5天达到峰值，表明行为复杂性存在临时性适应。线性判别分析（LDA）成功将早期与晚期点燃试验区分，提示行为模式随时间逐步演化。

Angelman综合征模型的行为表型

UBE3A基因缺失的AS模型鼠在传统指标（MST、GST、Racine评分）上与野生型无差异，但行为熵值在GS阶段显著更高（AUROC=0.91），表明其发作行为更复杂、更少刻板。这一发现凸显了行为微特征在揭示隐性表型方面的优势。

讨论与展望

本研究建立了基于DLC/B-SOiD的行为解码流程，可高效、定量分析癫痫行为特征，克服了传统方法的局限性。该技术易于推广至其他物种（如果蝇、斑马鱼、大鼠）和临床场景，如住院监测（EMU）和家庭视频记录。结合遗传多样性小鼠资源，未来可通过数量性状位点（QTL）定位解析行为表型的遗传基础。此外，时间高分辨率行为数据为融合神经活动记录（如钙成像、电生理）提供了可能，有望揭示行为-神经环路机制。研究局限性包括单视角摄像的遮挡问题、帧率对快速运动的捕捉限制，以及缺乏独立数据集验证。未来需进一步提高采样率和多视角记录以优化分析精度。

总结

本研究通过AI驱动的行为解码技术，揭示了癫痫发作中未被重视的微特征及其与遗传背景、性别、时间演变和猝死风险的关联。这些发现不仅深化了对癫痫行为表型的理解，也为精准医疗和转化研究提供了新的技术路径和生物标志物。