一种新的计算机程序可以让科学家们在长时间内同时观察多种动物的行为，同时自动分析它们的动作。看似显而易见的事情标志着一个重要的里程碑，并为对这种复杂的观察结果进行可靠和容易获得的标准化和评估铺平了道路。

想象一下，一位19世纪的研究人员戴着一顶髓头盔，在动物的自然栖息地观察它们。或者想象一下，上世纪70年代，马克斯·普朗克学会(Max Planck Society)的资深研究员康拉德·洛伦兹(Konrad Lorenz)在施塔恩贝格湖(Lake starnberg)附近密切跟踪他的灰雁——行为研究的开端就是观察和记录人们所看到的东西。

下一步在实验室进行，在那里创建标准化的环境以建立可比性。研究人员获得了宝贵的见解，但总是有局限性:环境和测试设置，动物的数量和观察的持续时间与某些自然行为的复杂性不一致，无论是个人还是社会。

此外，观察动物行为不仅可以更好地了解特定物种对给定刺激的反应，还可以帮助研究人员更好地定义人类的精神障碍，从而提供改进的个性化治疗。

几年前，科学家利用开源工具箱DeepLabCut取得了突破。它们不仅能够在简单的环境中跟踪单个动物的中心点，而且能够自动检测现实环境中多个动物的复杂身体姿势。这为开发能够从这些数据中提取信息的新工具铺平了道路，因为捕捉姿势与分析潜在行为是不一样的。

l将运动与行为联系起来

马克斯·普朗克精神病学研究所的两个研究小组承担了这项任务。由Mathias V. Schmidt和Bertram mller - myhsok领导的团队开发了一个名为DeepOF的Python包，它将个体身体标记的位置与行为模式联系起来。这使他们能够分析动物的行为，在他们的例子中是老鼠，在半自然的环境中，在任何期望的时间框架内的细节。

使用了两种不同的方法。在监督分析管道中，行为是基于身体姿势随时间的变化而预定义的，获得的数据可以直接读取和分析。

统计学家meller - myhsok说:“更令人兴奋的是无监督分析管道。”生物学家马蒂亚斯·施密特补充说:“我们的程序搜索相似的行为事件并对它们进行分类，这种方法开辟了全新的维度，使复杂社会行为的无假设自动调查成为可能，并产生非常有趣的结果。”

这种类型的工具开辟了新的可能性，并将行为生物学的复杂性提高到与分子或功能生物学分析方法相当的水平。

生物学家Joeri Bordes报告说:“在未来，我们现在可以更好地将我们的结果与其他测量维度结合起来，比如脑电图记录、神经活动数据或生物传感器数据。”DeepOF项目的作者Lucas Miranda对“开放科学”充满热情，因为“我们的项目对全世界的研究人员都是免费的，我们的代码当然是开放的，欢迎任何人为这个项目做出贡献。”

《自然通讯》发表了研究小组的研究成果，对该项目给予了独立的认可。此外，全面的代码和功能审查是由开放源代码软件杂志(JOSS)评估的。这个项目也代表了动物福利的改善，因为动物们要经受的实验更少了。

最终，通过这一新维度对行为进行详细分析是朝着更好地翻译有关探索人类疾病及其治疗的数据迈出的重要一步。