Nat Mental Health | 斯坦福學(xué)者開(kāi)創(chuàng)AI跨物種研究新范式

PsyBrain 腦心前沿 | 公眾號(hào) PSY-Brain_Frontier

一鍵關(guān)注，點(diǎn)亮星標(biāo) ??

不錯(cuò)過(guò)每日前沿資訊

認(rèn)知神經(jīng)科學(xué)前沿文獻(xiàn)分享

基本信息：

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

發(fā)表時(shí)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(dòng)機(jī)與背景

獎(jiǎng)賞引導(dǎo)行為（Reward-guided behavior, RGB）是人類和動(dòng)物生存與適應(yīng)環(huán)境的基石，其功能障礙與抑郁癥、成癮等多種精神健康問(wèn)題密切相關(guān)。然而，現(xiàn)有的跨物種研究面臨著巨大的挑戰(zhàn)：一是跨物種測(cè)量的可靠性不足，物種間因生態(tài)壓力和社交結(jié)構(gòu)的差異，導(dǎo)致相似行為的心理學(xué)意義未必一致；二是轉(zhuǎn)化有效性不明，動(dòng)物模型中發(fā)現(xiàn)的神經(jīng)機(jī)制往往難以直接映射到人類復(fù)雜的高級(jí)心理狀態(tài)或臨床產(chǎn)出上。雖然神經(jīng)影像學(xué)已嘗試尋找跨物種的“錨點(diǎn)”，但行為本身的復(fù)雜性使其難以直接比較。因此，作者試圖通過(guò)整合人工智能技術(shù)，提出一種多維度遷移學(xué)習(xí)框架，利用可觀測(cè)的行為表達(dá)組件（如面部表情、運(yùn)動(dòng)軌跡等）作為新的“錨點(diǎn)”，旨在通過(guò)AI的計(jì)算能力消除物種間的數(shù)據(jù)鴻溝，從而更深地理解獎(jiǎng)賞行為的通用原則及其對(duì)精神健康的臨床價(jià)值。

實(shí)驗(yàn)設(shè)計(jì)與方法邏輯

作者在觀點(diǎn)中提出了幾個(gè)關(guān)鍵假設(shè)：

第一，假設(shè)在不同物種（特別是陸生哺乳動(dòng)物）中，獎(jiǎng)賞引導(dǎo)行為的某些表達(dá)組件背后存在保守的神經(jīng)環(huán)路和生物學(xué)原則；

第二，假設(shè)通過(guò)特定的AI架構(gòu)（如領(lǐng)域?qū)股窠?jīng)網(wǎng)絡(luò)或多任務(wù)深度神經(jīng)網(wǎng)絡(luò)），可以有效地從異構(gòu)的行為數(shù)據(jù)中提取出物種無(wú)關(guān)（Invariant）的特征，從而提高跨物種預(yù)測(cè)的準(zhǔn)確性；

第三，預(yù)期通過(guò)在動(dòng)物數(shù)據(jù)上的預(yù)訓(xùn)練并向人類數(shù)據(jù)遷移，可以更靈敏地識(shí)別出與多巴胺缺失等神經(jīng)功能障礙相關(guān)的通用行為特征。

基于上述假設(shè)，為了解決跨物種研究的斷層問(wèn)題，作者設(shè)計(jì)并提出了一個(gè)由人工智能驅(qū)動(dòng)的“多維度遷移學(xué)習(xí)框架”，其核心邏輯在于利用AI作為行為數(shù)據(jù)的“翻譯官”。該方法首先選取面部表情、身體動(dòng)作、生理信號(hào)和語(yǔ)言聲音作為跨物種的表達(dá)組件（Expression components），認(rèn)為這些是評(píng)估可靠性和有效性的理想“錨點(diǎn)”。在方法實(shí)施上，框架分為兩個(gè)核心遷移維度：一是“概念層面遷移”，通過(guò)深度學(xué)習(xí)和多模態(tài)Transformer等技術(shù)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(rèn)知結(jié)構(gòu)；二是“參數(shù)層面遷移”，通過(guò)領(lǐng)域自適應(yīng)（Domain Adaptation）和對(duì)抗性學(xué)習(xí)，微調(diào)實(shí)驗(yàn)參數(shù)和評(píng)估工具，以消除不同物種間在解剖結(jié)構(gòu)和環(huán)境背景下的數(shù)據(jù)分布差異。這種邏輯不僅能從動(dòng)物實(shí)驗(yàn)中提取因果機(jī)制，還能通過(guò)人類臨床驗(yàn)證來(lái)不斷優(yōu)化模型，形成一個(gè)雙向迭代的閉環(huán)系統(tǒng)。

核心觀點(diǎn)

核心觀點(diǎn)一：

跨物種可靠性與轉(zhuǎn)化有效性的雙向評(píng)估框架

作者提出了一個(gè)以“表達(dá)組件”為中心的中介模型，用于連接動(dòng)物層面的驅(qū)動(dòng)機(jī)制（如腦環(huán)路）與人類層面的功能結(jié)果（如精神障礙）。Fig 1展示了該模型如何通過(guò)雙向循環(huán)發(fā)揮作用：一方面利用動(dòng)物研究揭示因果機(jī)制以理解人類疾病；另一方面利用人類臨床發(fā)現(xiàn)來(lái)精修和引導(dǎo)動(dòng)物模型的開(kāi)發(fā)。這種設(shè)計(jì)強(qiáng)調(diào)了“行為表達(dá)組件”（如身體運(yùn)動(dòng)）作為跨物種比較的“錨點(diǎn)”，是驗(yàn)證轉(zhuǎn)化有效性的關(guān)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(diǎn)二：

AI驅(qū)動(dòng)的跨物種行為特征提取與神經(jīng)映射實(shí)證

通過(guò)兩個(gè)具體的AI演示（Demonstrations），驗(yàn)證了遷移學(xué)習(xí)在不同行為領(lǐng)域的應(yīng)用潛力。在運(yùn)動(dòng)軌跡分析（Fig 2a）中，領(lǐng)域?qū)股窠?jīng)網(wǎng)絡(luò)通過(guò)梯度反向?qū)酉宋锓N間的體型和步態(tài)差異，提取出線蟲、小鼠和人類共享的時(shí)空特征，成功實(shí)現(xiàn)了基于動(dòng)物數(shù)據(jù)預(yù)訓(xùn)練模型對(duì)人類多巴胺缺陷導(dǎo)致的運(yùn)動(dòng)障礙預(yù)測(cè)。在面部屬性分層處理（Fig 2b）中，研究發(fā)現(xiàn)AI模型的分支結(jié)構(gòu)（身份分支與表情分支）與人類及獼猴視覺(jué)系統(tǒng)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(qū)域（AF）的fMRI反應(yīng)顯著相關(guān)，證明了AI模型在模擬生物神經(jīng)表征方面的準(zhǔn)確性。

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

AI銳評(píng)

這篇文章展現(xiàn)了行為科學(xué)與人工智能深度融合的前瞻性，其最大的亮點(diǎn)在于將抽象的“遷移學(xué)習(xí)”具象化為解決跨物種生物學(xué)差異的操作指南，尤其是通過(guò)將模型內(nèi)部表征與實(shí)際神經(jīng)影像數(shù)據(jù)（fMRI）進(jìn)行比對(duì)，極大地增強(qiáng)了AI模型的生物學(xué)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(shù)據(jù)豐富的陸生哺乳動(dòng)物，對(duì)于生態(tài)環(huán)境更復(fù)雜的自然野外場(chǎng)景以及非哺乳類物種的泛化能力尚存疑問(wèn)；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(jī)制，如何確保模型捕捉的是生物學(xué)信號(hào)而非背景噪聲仍需更嚴(yán)苛的驗(yàn)證。總體而言，這是一篇極具啟發(fā)性的綜述類Perspective，標(biāo)志著跨物種行為研究正從定性觀察跨入定量計(jì)算的新時(shí)代。

請(qǐng)打分

這篇?jiǎng)倓偟巧?strong>Nat. Mental Health的研究，是否實(shí)至名歸？我們邀請(qǐng)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(píng)論區(qū)分享您的深度見(jiàn)解。

前沿交流|歡迎加入認(rèn)知神經(jīng)科學(xué)前沿交流群！

核心圖表、方法細(xì)節(jié)、統(tǒng)計(jì)結(jié)果與討論見(jiàn)原文及其拓展數(shù)據(jù)。

分享人：天天

審核：PsyBrain 腦心前沿編輯部