机器学习助力小鼠特质焦虑精准分类：伦理与统计的平衡之道

本研究针对行为神经科学中动物实验的伦理困境（3R原则）与统计效力矛盾，开发了基于监督机器学习（ML）的小鼠特质焦虑分类模型。研究人员通过整合470只动物的听觉厌恶条件反射（AAC）数据，训练出性别特异性分类器，实现样本量缩减下90%以上的分类准确率，为减少实验动物数量（Reduction原则）提供了可推广的计算工具。成果发表于《Translational Psychiatry》，推动了个体化行为表型分析与动物福利的协同发展。

　　

在行为神经科学研究中，个体差异如何影响疾病易感性和药物反应始终是核心挑战。然而长期以来，临床前焦虑和应激障碍研究忽视了这种个体变异性和性别特异性模式。更棘手的是，动物实验的伦理要求（3R原则中的Reduction）与确保统计效力所需的大样本量之间存在根本矛盾。传统聚类方法需要30-40只动物才能获得稳定结果，这与减少实验动物数量的伦理准则背道而驰。

Johannes Miedema等人在《Translational Psychiatry》发表的研究给出了创新解决方案。研究团队此前建立的焦虑特质模型，通过延长听觉厌恶条件反射（AAC）中条件刺激（CS）呈现时间至6分钟，利用冷冻反应的异质性将同品系小鼠分为持续型（sustained）和阶段型（phasic）内表型。但无监督聚类需要较大样本量才能获得可靠结果。为此，研究人员汇集470只动物数据，训练出性别特异性的监督机器学习（ML）分类器，成功实现了小样本甚至单动物水平的精准分类。

关键技术包括：1）延长CS至6分钟的AAC行为范式；2）基于高斯混合模型（GMM）的表型标记；3）蒙特卡洛交叉验证评估的四种ML算法（SVM、逻辑回归、LDA和随机森林）；4）使用Arc-nuGFP转基因小鼠验证模型通用性。所有实验遵循欧洲动物福利标准（2010/63EU），数据通过R包anxiotraitR实现开源共享。

结果

获得标记训练数据

通过整合5批雌性和8批雄性C57BL/6J小鼠的AAC数据，发现雌性在记忆检索（MR1）中冷冻值显著高于雄性。使用GMM将冷冻曲线参数（截距、斜度和最后3.5分钟平均值）聚类，获得稳定的持续型/阶段型分组。

评估聚类稳定性

200次bootstrap抽样显示，雌性Jaccard指数中位数>0.99，雄性>0.89，证实群体水平分布的可靠性。

训练ML模型

逻辑回归对雌性（MR1/MR2准确率96.3%/97.1%）和随机森林/SVM对雄性（91.2%/93.8%）表现最优。

独立批次验证

在未参与训练的Arc-nuGFP小鼠中，ML分类与原始聚类Cohen's κ>0.885。样本量模拟显示：传统聚类在n<20时准确率骤降，而ML保持95%稳定。

协议修改鲁棒性

单次训练（非标准两次）的批次冷冻值降低，但ML分类仍保持稳定，仅3/40个体在MR2存在分歧。

结论与意义

该研究通过三大创新突破行为神经科学研究瓶颈：1）将威胁临近理论（threat imminence continuum theory）转化为可计算的冷冻曲线参数；2）开发出样本量不敏感的性别特异性ML分类器；3）开源R包实现方法标准化。相比传统数据驱动聚类，预训练ML模型使单动物表型分析成为可能，真正实现了统计效力与动物福利（3R原则）的平衡。这一范式不仅适用于焦虑研究，也为其他需要处理高维度行为数据的神经精神疾病研究提供了模板。