多模态数据集揭示小鼠操作杆任务中全脑钙信号与行为变化的动态关联

本研究为解决行为学习过程中神经活动与行为变化的复杂关联问题，研究人员通过整合宽场钙成像(wide-field calcium imaging)与多角度高速摄像技术，构建了包含15个训练会话、25只转基因小鼠(GCaMP6s)的多模态数据集。该研究首次实现了操作杆任务中全皮层神经活动与精细行为参数（包括面部微表情、眼球运动）的同步捕获，采用NWB(Neurodata Without Borders)标准化格式存储，并通过Allen CCF(Allen Common Coordinate Framework)实现脑区精准映射。成果为解析运动技能学习的神经机制提供了高时空分辨率的数据基础，推动FAIR(Findable, Accessible, Interoperable, Reusable)原则下的神经科学研究范式革新。

　　

在神经科学领域，揭示大脑如何通过动态神经活动驱动行为变化一直是核心挑战。传统研究往往受限于技术手段，难以同步捕捉全脑尺度的神经活动与精细行为特征。尤其在操作条件反射(operant conditioning)范式中，小鼠学习拉杆获取奖励的过程涉及复杂的运动协调与感觉整合，但皮层神经环路的动态编码机制仍不明确。此外，以往研究多关注显性肢体运动，而忽视面部微表情、眼球运动等"隐蔽行为"(covert behaviors)对神经活动的调制作用。这些局限使得行为学习背后的全脑神经动力学全景图始终未能完整绘就。

为解决这一难题，东京大学研究生院医学系研究科(Department of Physiology, Graduate School of Medicine, The University of Tokyo)的Masashi Kondo团队开发了创新的多模态数据采集系统。研究者通过转基因小鼠(VGluT1-Cre×Ai162)表达GCaMP6s钙指示剂，结合宽场单光子成像(wide-field one-photon imaging)以60Hz采样率记录背侧皮层活动，同时用三台100Hz高速摄像机捕捉身体、面部及眼球运动。研究历时2周追踪15次训练会话，成功获取364/375场次数据（成功率97%），构建了包含8TB原始数据的资源库。相关成果发表于《Scientific Data》，为神经行为学研究提供了里程碑式数据集。

关键技术方法包括：1) 双波长交替照明(470nm/405nm)实现钙信号与血流动力学噪声分离；2) DeepLabCut深度学习框架定量分析三类行为视频中42个关键点；3) MesoNet算法将成像视野配准至Allen CCF标准脑图谱；4) NWB数据格式整合多模态信息，确保符合FAIR原则。实验采用头固定小鼠完成声音提示的杠杆任务(tone-triggered lever-pull task)，通过调节所需拉杆持续时间(T_pull)量化学习进程，并记录静息态(resting-state)和麻醉下感觉映射(sensory mapping)数据作为对照。

行为学验证揭示两类学习策略
通过分析15次训练中最终拉杆时长(T_{pull_final})，研究者发现小鼠呈现两种学习模式：集群A(n=7)在早期会话即达成高T_{pull_final}并保持稳定，集群B(n=18)则始终维持较低值但成功率相当。这种分化表明动物可能采用不同策略适应任务要求——集群A倾向于"保守策略"延长拉杆时间，集群B则依赖"效率策略"优化反应速度。

全脑活动映射验证数据质量
感觉刺激实验显示，视觉刺激特异性激活右侧初级视觉皮层(VISp)，听觉刺激引发顶叶多感觉区反应，触觉刺激(右侧胡须垫振动)显著激活对侧体感皮层(SSp-bfd)。这些符合解剖学预期的响应模式，证实了Mesonet配准至Allen CCF的可靠性。

多模态同步揭示行为-神经耦合
典型会话分析显示，次级运动皮层(MOs)活动与拉杆动作精确同步，而初级体感皮层(SSp-ul)激活持续至奖励阶段。有趣的是，嗅觉球(OB)和视网膜上区(RSPagl)活动与瞳孔直径变化高度相关，提示自主神经状态可能通过非运动皮层调制行为输出。

该研究通过标准化数据架构解决了神经行为学研究中的三大瓶颈：1) 首次实现操作学习过程中全皮层活动与毫米级行为变化的毫秒级同步；2) 开发开源处理流程(bdbc-data-pipeline)支持从原始数据到出版级分析；3) 建立包含环境参数(CO₂浓度、温湿度)的元数据体系。数据集已通过DANDI和GIN平台开放获取，其多维特性支持从单神经元动力学到全脑网络建模的研究跨越，为理解学习行为的神经基础提供了全新视角。正如通讯作者Ken Nakae强调的，这种"从行为到神经环路的逆向工程"方法，将加速发现脑疾病模型中行为缺陷的神经机制。