“幻觉相关蜷缩状态”(HHS)是帕金森病视觉幻觉中一种由长时间蜷缩、凝视和头部抽搐构成的复合行为模式,南京医科大学韩峰教授团队应用广东一湾生命科技有限公司的 BehaviorAtlas 3D-AI 动物行为分析系统识别出关键生物标志物,将复杂的幻觉症状转化为可量化、可识别的动物行为表征,本论文发表在Signal Transduction and Targeted Therapy (IF=52.7)。
帕金森病(Parkinson’s disease, PD)不仅仅是运动障碍,其伴随的非运动症状,特别是视觉幻觉(Visual Hallucination, VH),给患者带来了巨大的痛苦,也给临床诊断和治疗带来了严峻挑战。
传统的 PDVH 评估方法往往依赖于主观报告,这使得其机制研究和干预策略的开发面临重重阻碍。因此迫切需要一种客观、量化的工具和可靠的动物模型来深入理解PDVH的神经生物学基础。
为了解决 PDVH 动物模型和量化评估工具的缺失这一科学难题,2026 年 4 月 22 日,南京医科大学韩峰教授、基础医学院卢应梅教授以及脑科医院张丽教授合作在 Signal Transduction and Targeted Therapy 发表的题为 “ Temporal assessment of behavior in Parkinson’s visual hallucinations via a multidimensional analysis strategy ” 的研究论文。南京医科大学博士生张权鑫为第一作者,讲师张怡轩、博士后姜晨晨为共同第一作者。
研究团队创新性地开发了一种新型 PDVH 小鼠模型,并通过引入多维度神经行为分析框架(multidimensional behavioral analysis framework),实现了对幻觉相关行为的精确捕捉和量化。
本研究中运用的核心神经行为学研究工具——BehaviorAtlas系统,为理解 PDVH 的复杂行为动态提供了前所未有的高时空分辨率分析能力。

01
新型 PDVH 模型的建立与行为表征
研究者通过给予 PD 模型小鼠盐酸苯海索(benzhexol hydrochloride),成功诱导了幻觉样行为表型,这模拟了临床上 PD 患者因药物副作用或疾病进程出现的幻觉现象,从而建立了可靠的 PDVH 模型(图 1a)。
在此模型基础上,利用 BehaviorAtlas 3D-AI动物行为分析系统对小鼠的自发行为进行捕捉和分析,识别出一种与幻觉发作高度相关的“蜷缩状态”(Hunching),并伴随着长时间的蜷缩姿势、凝视以及伴随的头部抽搐(图 1e-g)。
基于这些发现,研究者创新性地将这些高度关联幻觉的蜷缩姿势、长时间凝视和嵌入式头部抽搐行为定义为“幻觉相关蜷缩状态”(Hunching State, HHS)。HHS作为PDVH的核心行为特征,为客观评估和诊断PDVH提供了重要的生物学标志。

图 1. 盐酸苯哲索对PD小鼠幻觉表型的药理诱导作用
研究进一步分析了HHS在10秒时间窗内的动态分布,发现PDVH小鼠的HHS出现时间更早。同时,持续时间较长的HHS发作(≥1秒)在PDVH小鼠中显著增加,而这种长时间HHS发作与内侧前额叶皮层(mPFC)CaMKIIα神经元的活动持续抑制相关(图 3a-e)。
这表明PDVH不仅仅是随机的异常行为,而是具有特定序列和时间规律的复杂过程。

图 2. PDVH小鼠幻觉行为状态的定量时间分析
02
神经生物学验证
为了生物化学验证盐酸苯扎索诱导的PDVH模型,研究者分析了c-fos在凝视和抽搐发作期间的表达。内侧前额叶皮层(mPFC)和初级视觉皮层(V1)的c-fos激活显著升高,这与临床上PDVH患者枕叶皮层活动增强的观察结果一致(图 3a, b)
为了验证PDVH模型是否在细胞水平上概括了幻觉相关神经回路的分子特征。研究者进行了 snRNA-seq,结果进一步表明,PDVH小鼠的转录组学特征与人类PDVH患者具有高度相似性,尤其是在中脑GABA能和谷氨酸能神经元以及PFC兴奋性神经元中,共享了关键的神经功能障碍(图 3c-f)。

图 3. PDVH小鼠的神经生物学验证
03
药物干预:Pimavanserin 治疗消除了PDVH模型中核心行为特征的改变
Pimavanserin (PIM)是一种对 PD 精神病有临床疗效的 5-HT2A 受体反向激动剂。研究者通过给予 PDVH 小鼠 该药物干预,发现 PIM 治疗显著减少了凝视和抽搐的持续时间,但没有减少总体转换频率(图 4b, c)

图 4. PIM药物干预使PDVH小鼠的特征性行为改变正常化

本研究最核心的亮点之一是成功识别并量化了“幻觉相关蜷缩状态”(HHS)。与以往仅关注孤立的头部抽搐事件不同,HHS将一系列持续的蜷缩姿势、凝视和头部抽搐整合为一个更具结构性和代表性的行为程序。这一突破得益于BehaviorAtlas 3D动物行为分析系统的高精度捕捉和多维度量化能力。该系统不仅提供了高时空分辨率的行为数据,还能通过机器学习算法对复杂行为模式进行无监督的分解和聚类,从而揭示了传统方法难以发现的潜在行为结构。

04
BehaviorAtlas —— 您的神经行为学研究利器
在本研究中,BehaviorAtlas 3D-AI动物行为分析系统发挥了不可替代的作用。它不仅仅是一个工具,更是神经行为学研究的强大引擎:
高精度捕捉:
通过多视角视频捕捉和深度学习驱动的3D姿态重建,BehaviorAtlas 能够以高时空分辨率精确量化小鼠的精细运动,甚至包括肉眼难以察觉的凝视和头部微动。
无监督学习:
结合UMAP降维和层次聚类,系统能够从复杂的连续行为流中自动识别离散的行为模块和潜在的行为状态,极大地减少了主观性。
多维度分析:
从运动学特征、行为序列到时间动态,BehaviorAtlas提供了全面的分析框架,帮助研究者发现行为背后的深层规律。
适用性广:
无论是帕金森病、癫痫、抑郁症还是其他神经精神疾病模型,BehaviorAtlas都能提供可靠、客观的行为评估,加速疾病机制的理解和治疗方案的开发。

点击图片,了解更多关于3D-AI 动物行为分析系统的
详细信息
如果您对BehaviorAtlas 3D-AI 动物行为分析系统感兴趣,欢迎通过公众号私信或扫描下方的微信二维码联系我们,我们将竭诚为您提供更多信息和帮助。
参考文献:
Zhang, QX., Zhang, YX., Jiang, CC. et al. Temporal assessment of behavior in Parkinson’s visual hallucinations via a multidimensional analysis strategy. Sig Transduct Target Ther 11, 146 (2026). https://doi.org/10.1038/s41392-026-02651-2 内容源自:百环生物