Nat Mental Health | 斯坦福学者开创AI跨物种研究新范式|哺乳动物|斯坦福|生物学|神经网络

PsyBrain 脑心前沿 | 公众号 PSY-Brain_Frontier

一键关注，点亮星标 ⭐️

不错过每日前沿资讯

认知神经科学前沿文献分享

基本信息：

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

发表时间：2025.11.28

Journal:Nat. Mental Health

影响因子：8.7

获取原文：

添加小助手:PSY-Brain-Frontier即可获取PDF版本

研究动机与背景

奖赏引导行为（Reward-guided behavior, RGB）是人类和动物生存与适应环境的基石，其功能障碍与抑郁症、成瘾等多种精神健康问题密切相关。然而，现有的跨物种研究面临着巨大的挑战：一是跨物种测量的可靠性不足，物种间因生态压力和社交结构的差异，导致相似行为的心理学意义未必一致；二是转化有效性不明，动物模型中发现的神经机制往往难以直接映射到人类复杂的高级心理状态或临床产出上。虽然神经影像学已尝试寻找跨物种的“锚点”，但行为本身的复杂性使其难以直接比较。因此，作者试图通过整合人工智能技术，提出一种多维度迁移学习框架，利用可观测的行为表达组件（如面部表情、运动轨迹等）作为新的“锚点”，旨在通过AI的计算能力消除物种间的数据鸿沟，从而更深地理解奖赏行为的通用原则及其对精神健康的临床价值。

实验设计与方法逻辑

作者在观点中提出了几个关键假设：

第一，假设在不同物种（特别是陆生哺乳动物）中，奖赏引导行为的某些表达组件背后存在保守的神经环路和生物学原则；

第二，假设通过特定的AI架构（如领域对抗神经网络或多任务深度神经网络），可以有效地从异构的行为数据中提取出物种无关（Invariant）的特征，从而提高跨物种预测的准确性；

第三，预期通过在动物数据上的预训练并向人类数据迁移，可以更灵敏地识别出与多巴胺缺失等神经功能障碍相关的通用行为特征。

基于上述假设，为了解决跨物种研究的断层问题，作者设计并提出了一个由人工智能驱动的“多维度迁移学习框架”，其核心逻辑在于利用AI作为行为数据的“翻译官”。该方法首先选取面部表情、身体动作、生理信号和语言声音作为跨物种的表达组件（Expression components），认为这些是评估可靠性和有效性的理想“锚点”。在方法实施上，框架分为两个核心迁移维度：一是“概念层面迁移”，通过深度学习和多模态Transformer等技术提取跨物种通用的行为原则（如探索与利用的博弈），寻找共享的认知结构；二是“参数层面迁移”，通过领域自适应（Domain Adaptation）和对抗性学习，微调实验参数和评估工具，以消除不同物种间在解剖结构和环境背景下的数据分布差异。这种逻辑不仅能从动物实验中提取因果机制，还能通过人类临床验证来不断优化模型，形成一个双向迭代的闭环系统。

核心观点

核心观点一：

跨物种可靠性与转化有效性的双向评估框架

作者提出了一个以“表达组件”为中心的中介模型，用于连接动物层面的驱动机制（如脑环路）与人类层面的功能结果（如精神障碍）。Fig 1展示了该模型如何通过双向循环发挥作用：一方面利用动物研究揭示因果机制以理解人类疾病；另一方面利用人类临床发现来精修和引导动物模型的开发。这种设计强调了“行为表达组件”（如身体运动）作为跨物种比较的“锚点”，是验证转化有效性的关键路径

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

核心观点二：

AI驱动的跨物种行为特征提取与神经映射实证

通过两个具体的AI演示（Demonstrations），验证了迁移学习在不同行为领域的应用潜力。在运动轨迹分析（Fig 2a）中，领域对抗神经网络通过梯度反向层消除了物种间的体型和步态差异，提取出线虫、小鼠和人类共享的时空特征，成功实现了基于动物数据预训练模型对人类多巴胺缺陷导致的运动障碍预测。在面部属性分层处理（Fig 2b）中，研究发现AI模型的分支结构（身份分支与表情分支）与人类及猕猴视觉系统的阶梯式组织高度吻合，特别是模型表情分支的表示与猕猴大脑杏仁核及前部基底区域（AF）的fMRI反应显著相关，证明了AI模型在模拟生物神经表征方面的准确性。

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

AI锐评

这篇文章展现了行为科学与人工智能深度融合的前瞻性，其最大的亮点在于将抽象的“迁移学习”具象化为解决跨物种生物学差异的操作指南，尤其是通过将模型内部表征与实际神经影像数据（fMRI）进行比对，极大地增强了AI模型的生物学可信度。然而，该框架也存在明显的局限性：一是目前案例仍高度依赖于数据丰富的陆生哺乳动物，对于生态环境更复杂的自然野外场景以及非哺乳类物种的泛化能力尚存疑问；二是AI模型的“黑盒”属性在需要极高解释性的临床决策中依然是一大障碍，即便引入了注意力机制，如何确保模型捕捉的是生物学信号而非背景噪声仍需更严苛的验证。总体而言，这是一篇极具启发性的综述类Perspective，标志着跨物种行为研究正从定性观察跨入定量计算的新时代。