深度学习驱动的多尺度行为分析在SNCA E46K帕金森病果蝇模型中的应用研究

为解决帕金森病（PD）模型果蝇自发行为定量分析的难题，研究人员开发了一套基于深度学习的多尺度行为表型分析系统。通过3D打印行为陷阱结合无标记姿态估计技术，提取野生型与Synuclein Alpha E46K突变体果蝇的运动速度、震颤样振荡等运动学特征，并利用无监督聚类解析行为序列模式。研究发现，结合运动学特征与行为序列的分类模型准确率达85%，为PD疾病进展监测和药物筛选提供了客观可扩展的新方法。

　　

果蝇（Drosophila melanogaster）作为帕金森病研究的经典模式生物，其自发行为特征量化却长期受限于运动捕捉技术的复杂性。这项研究创新性地构建了自动化多尺度行为表型分析流程：采用定制化3D打印行为陷阱记录果蝇运动轨迹，借助无标记姿态估计工具（markerless pose estimation）解析身体运动学参数，包括位移速度、肢体震颤（tremor-like oscillations）等特征。突破性地引入无监督聚类算法，从姿态轨迹中挖掘出表征自发行为序列的重复运动亚型。

研究揭示，单纯运动学特征难以区分SNCA E46K突变体与野生型果蝇，而基于行为序列模式的聚类分析则展现出显著分组能力。当两类特征协同建模时，分类准确率提升至85%——相当于为果蝇装上了"行为显微镜"，精准捕捉帕金森病相关的细微运动异常。该技术体系不仅为α-突触核蛋白（Synuclein Alpha）突变致病机制研究提供新视角，其标准化分析框架更适用于高通量药物筛选（high-throughput screening）和疾病进展动态监测，标志着神经退行性疾病动物模型行为分析进入智能量化新阶段。