人工智能在动物实验中应用的研究进展

实验动物伦理与 3R 原则是动物实验过程中必须遵守的基本准则。但由于动物机体的复杂性，动物体内实验所得到的各种数据庞大而缺乏合适方法充分挖掘，复杂而有很多隐藏信息无法有效分析的问题，导致实验动物使用数量居高不下。在大数据的背景下，计算机科学与技术飞速进步，人工智能 (artificial intelligence，AI)作为一项变革性技术在医学领域展现出了巨大的应用前景，其中占据主导地位的是机器学习 ( machine learning，ML)及深度学习(deep learning，DL)。目前在实验动物领域AI为动物实验结果、影像资料等数据的深入分析挖掘提供了有效的技术手段，促进了实验动物相应数据库和数学模型的完善化和多样化，推动了由真实记录动物模型特征为主向以多媒体计算机为中心的软件化的特征识别与预测为主的转变。王星等在《中国比较医学杂志》发表综述介绍人工智能技术在实验动物特征识别中的应用、挑战和展望。

1.  数据库的建立与数学模型的构建

       实验动物不仅可获取的数据庞大，并且尚有诸多隐藏信息，而 AI数据分析是从浩如烟海的信息中提取、发掘更能代表数据本质特征、更能反映数据内在统计学规律的信息的主要途径。随着数据库的建立、完善，各种模型算法层出不穷，实验设计的无假设驱动将逐渐取代传统的有假设驱动，为指导后续实验方案制定提供良好基础。因此如何利用现有的数据构建数据库、设计适用于不同情况的数学模型是进一步挖掘实验动物的宏观及微观特征最为基础且至关重要的一步。

       数据库及数据分析预测模型的建立为观测实验动物的宏观特征提供了数据和方法学上的支撑。其中，马林纳等通过数据挖掘的方法整理、归纳、分析、总结了子宫肌瘤动物模型构建的重要参数，如:造模方法、周期、频次等，对建立合理的实验模型、提高成模率具有重要意义；范小彪提出了全新的皮下植入式除颤器的电极配置，通过对实验动物模型进行有限元建模，并基于 SCI Run计算平台对不同配置下的除颤电场进行仿真，为动物造模指标选取提供参考。Langendam等开发了一种涵盖毒理学、环境卫生和兽医等多方面的动物研究系统综述数据库，可以快速识别有关实验动物的临床前研究结果，从而避免重复劳动，减少研究浪费；Pallast等提出一种基于云的多模态动物数据关系数据库，汇总各种临床前特征数据，大大提高了数据可访问性、数据处理效率和数据记录标准化。以上研究均体现了结合数据分析手段建立和完善数据库、记录重要参数的必要性及对后续研究的指导和提示作用。另外，安国帅通过超高效液相色谱 -质谱联用技术检测损伤后骨骼肌的代谢情况，运用多种 ML算法构建数学模型，分析骨骼肌代谢物随损伤时间的变化特点，表明了 AI对实验动物数据变化规律表征、预测的重要作用。

       AI数据分析及数据库的建立也可为实验动物模型特征微观层面的检测提供数据支持。其中，在蛋白水平,段仕基于ML方法对 20个数据库的 28592个绵羊蛋白进行预测，成功搭建绵羊蛋白质 -蛋白质相互作用关系数据库，为今后深入研究动物机体内蛋白质相互作用及功能提供数据支持；在基因层面，黄宇将DL应用于 m6A修饰位点预测并构建了一个高精度的跨物种 m6A修饰位点预测模型。近年来，人源化肿瘤异种移植 ( patient derived tumor xenograft， PDX)模型广泛应用于各种动物实验中，主要通过在免疫缺陷小鼠上接种简单处理的患者肿瘤组织、原代细胞等形成移植瘤，可以有效保留原代肿瘤实质及其微环境的组织病理学、分子生物学等基本特点，是极具前景的体内实验模型，在诸多肿瘤中都有广泛应用。并且基于测序或芯片等方法获取的 PDX模型的组学数据与 AI技术相结合有助于对肿瘤进行分子分型、在临床上指导肿瘤患者的诊断与**，并且对于肿瘤微观分子机制的揭示也有重要提示作用，目前已广泛用于**敏感性测试、新型生物标志物的研发、疾病预测等领域。

       总的来说，大量数据库及数据分析、识别和预测模型的建立，为进行基因组学、表观遗传组学、代谢组学、蛋白组学等多组学分析提供了有效且重要的资源，并为动物实验进一步深入挖掘发现某些特定通路的意义及某些分子的生物学功能等实验动物的微观特征提供了数据和方法学上的支撑，也将有效推动实验动物宏观特征相关研究的实施。而宏观特征因容易获取、直观可见等特点研究开展广泛，相关成果层出不穷。

2.  人工智能在实验动物特征识别中的应用

      2. 1　影像特征识别

       基于AI, 实验动物影像特征的识别也取得了长足进步，广泛涵盖了各种医学影像模式，包括组织病理成像、超声成像、电子计算机断层扫描成像(computed tomography, CT)、磁共振成像 ( magnetic resonance imaging, MRI)和各种内镜成像等。人工智能与医学影像结合可以实现对图像的有效分割与分类，极大推动医学影像学的发展，为提高疾病诊断的敏感性和特异性提供新思路。

       AI技术与计算机辅助成像结合可对组织学切片图像微观特征进行高精度检测和量化，为研究相关病理变化提供数据支持：

       Zhang等利用DL方法对恒河猴胰腺 β细胞分泌胰岛素颗粒的电镜照片进行解析，为评估非人灵长类动物**病早期胰岛素合成的代偿性增加提供有效证据；

       Tokarz等和 Yang等分别通过对心肌病和肝脂肪变性组织学切片进行检测，并运用DL算法，高精度实现了对相关疾病的识别、分类及严重程度的量化。

       AI与超声成像、MRI及 CT扫描相结合，对疾病的诊断及发生发展的预测具有重要价值。

       付甜甜等基于肝纤维化大鼠模型不同成模时期的超声灰阶与弹性图像结果，建立 ML自动分类模型，为预测肝纤维化进程提供重要参考；

       Tang等采用随机森林算法，对定量超声参数进行整合，实现了对大鼠超声波射频图像和弹性成像图的精准分类,为诊断脂肪性肝炎、肝纤维化及相关病理改变提供重要依据。

       Bie等基于卷积神经网络 (convolutional neural network, CNN)以化学交换饱和转移 MRI的 Z-光谱特征为输入特征，证实了 CNN在区分乳腺肿瘤类型方面的巨大潜力；

       李硕等通过结合平扫 MRI与主动学习 ( active learning,AL )、半监督学习 ( semi-supervised learning, SSL)有效评估了肝纤维化分期；

       Xu等选取雪貂和兔子作为实验对象进行肺部 CT扫描，并基于 ML的异常成像模式检测系统对气管树结构进行自动提取分析，为研究肺部疾病提供计算机方法学上的支持。

       在医学领域，三维重建系基于医学成像等智能集成的方法来构建三维组织结构的过程，从而实现仿真效果。近年来，三维重建技术在众多动物研究中得到广泛应用：

       周明璋以小鼠为研究对象进行X射线相衬显微成像，在多个角度观察肿瘤未被切割的原始状态信息，印证肝脏从正常组织到肿瘤的发生发展变化过程；

       Shuvo等结合DL算法与三维重建成像技术对动物血流模式和流体动力学进行深入探讨。在观测三维形态变化方面，AI技术可对相应组织的立体结构进行重塑，进而全方位检测结构变化。其中, Rytky等及 Huang等基于DL分别对兔膝关节钙化软骨和小鼠左心室心肌的3D形态变化进行研究，提高了对组织结构和功能分析的准确性和可重复性。

       2. 2　动物行为特征识别

     2. 2. 1　运动行为、姿势、轨迹的分析与预测　　

       DL、ML作为一种学习效率极高且易于训练的模型，在动物行为识别中最为常用，并且不断进步。

       罗墨轩等构建了包含小鼠行为学识别程序的分析装置，研究在进食过程中饥饿小鼠对捕食者视频刺激产生的行为反应；

       DL算法可以对动物姿势进行拆解分析和合理预测：韩亚宁针对性地使用DL姿态估计方法和无监督 ML算法将小鼠运动行为分解为精细的片段，进行统一的度量和表征；Pereira等基于深度神经网络，对果蝇的运动步态和动物姿势随时间变化进行动态分析，进而实现对果蝇快速姿势动作的评估和预测。

       相对于动物行为识别、姿势拆解等领域的广泛应用，目前 AI在运动轨迹分析方面的研究也有重要进展。郑秀娟搭建了大鼠旷野实验行为自动分析模型，基于 RRM算法和稳健 LOWESS算法提取其轨迹特征，判别率高达 100%；Rezaei等利用点过程滤波器和长短期记忆网络方法对海马部位细胞记录的神经活动进行解码，在预测大鼠位置及轨迹方面具有相当高的精度；Wijeyakulasuriya等基于随机森林、神经网络提出了一个高分辨率预测蚂蚁运动的算法。 

        2. 2. 2　神经生理学分析　　

       复杂的中枢神经系统是实现动物行为、认知能力的基本结构和功能单元，因此通过对动物行为、认知等不同层面的剖析，或可识别、区分其处于的不同神经生理学状态。

       Thanos等提出了一种单摄像头自动**小鼠进行社交测试的方法，评估笼式饲养小鼠的社会行为，为相关神经精神疾病研究提供数据支持；

       Dolensek等通过刺激小鼠口面部肌肉组织，录制头部固定小鼠的特写视频，将小鼠在不同情绪突发事件中表现出的面部表情分为不同的类别，定量和客观评估小鼠的不同情绪特征。基于DL将病理条件下光遗传诱发运动的动物与正常动物肢体运动学进行对比分析，可以明确脑干的不同神经元是否为改善帕金森患者 运动的潜在临床**靶点，为利用脑深部电刺激、**或光遗传学等方法实现神经元的靶向刺激开辟了新的道路。　

       总之，动物运动行为分析是贯穿中枢神经系统功能及机制相关研究过程始末的不可或缺的一部分,推动了新兴AI、仿生学等与神经生理学交叉学科的发展。因此可靠的、自动化的、参数化的动物行为描述、分析方法是动物行为学实验不断演变、改进的基础，对促进相关学科的发展也具有极大的价值。

       2. 3　动物基本生理指标的识别及预测

       动物个体面部识别技术的飞速发展为动物研究及生态研究打下了坚实基础。

       Lencioni等基于自动视频成像系统实现了对马面部表情的实时评估和的对疼痛反应的及时监测，为动物的早期诊断和**提供参考依据；

       胡旭提出金丝猴面部识别网络，为金丝猴身份的快速识别和行为分析提供技术支持；

       何育欣针对大熊猫视角变化和表情变化提出了大熊猫面部识别 CNN模型，有助于对大熊猫个体进行自动化识别、长期监测。动物个体面部识别技术在快速识别与行为分析领域取得了极大的飞跃，具有良好的应用前景。

       基于视觉的遥测式生理指标测量技术的蓬勃发展，虽然相对于人脸识别仍然以研究为主，落地应用相对较少，但由于其可以基于面部视频对于心血管、呼吸等诸多生理信号检测的特点，越来越受到关注，为动物实验设计提供新思路、新角度。

       基于信号检测的结果，结合 AI不同的分析方法或可区分生物体不同的生理状态，如心率变异性的分析 (包括时域、频域和非线性分析)已被证明可检测出几种神经系统疾病自主神经的早期受累情况；Liu等基于高光谱图像深度学习和 CNN模型方法提出了更灵活可靠的体内无创光学血氧饱和度的测量手段。二维 CNN在小鼠睡眠研究中可以用于区分小鼠所处不同睡眠阶段及状态; 基于DL的 SOLOv2快速实例分割框架可以实时**小鼠瞳孔大小进而评估蓝斑核功能状态。

       在生理指标识别与生理状态明确的基础上，AI在某些生理指标预测上也具有一定意义。研究发现相比传统的一般线性模型，ML构建的体尺性状与体重之间的回归预测模型更为准确。还有研究采用全卷积神经网络对实验动物血压、心率等血流动力学指标进行预测；某些研究采用 CNN并行化模型对马心电图的心电节拍进行分类预测；基于DL算法在心电图中 R峰特征的提取、分析、预测中也有重要作用。由此可见，人工智能相应算法在提示实验人员及时调整实验计划、预估实验结果等方面具有较好的前景。

       2. 4　其他应用

       器官的移植研发、动物的遗传与育种等领域也有AI应用的身影，如匹兹堡大学结合合成生物学与 ML算法，基于血液和胆汁处理系统实现了肝衰竭小鼠的肝移植，为今后解决器官移植供体短缺的问题提供新的角度和思路。

       3.　挑战与展望

       在医学领域，由于缺乏规范标注、系统整理的大规模实验数据库及数学模型，AI技术发展受到不小的阻碍。就目前而言，AI尚无法取代实验动物在医学科研中的主导地位，但或可成为科研人员的得力助手。同时我们也希望其在识别及预测实验动物特征及其变化规律的基础上，能更好地在数据分析上提供更丰富的维度，在实验设计上开拓研究者的思路，在临床诊断**方面提出全新的角度，期待 AI在实验动物领域取得新的进展与突破。