簡要介紹
正是我們大腦里存在的所有想法，情感，記憶，以及可能的行為，使我們成為了獨一無二的個體。一百五十年前，從早期實驗心理學(xué)家的開創(chuàng)性工作開始，科學(xué)家們開發(fā)了一系列實驗技術(shù)來測試我們?nèi)绾胃兄?，如何思考以及如何行動。這些不同類型的技術(shù)測量了大腦不同方面的功能，并且它們在理解和診斷不同類型的神經(jīng)疾病方面是至關(guān)重要的。大腦是一種生物機(jī)器，為了充分發(fā)掘它的詳細(xì)功能，科學(xué)家們依靠動物模型來促進(jìn)理解。在常見動物模型中，獼猴在認(rèn)知能力和解剖學(xué)上，與人類最相似的。獼猴是比較聰明且高度社會型的動物，通過對它們大腦的研究，我們可以了解人類大腦的高度復(fù)雜性。這反映在國內(nèi)外對越來越的研究關(guān)注靈長類的認(rèn)知，幫助我們理解大腦智力的基礎(chǔ)。
我們平臺的主要工作是創(chuàng)建一套綜合的，標(biāo)準(zhǔn)化的認(rèn)知行為測試系統(tǒng)，用來測試正常的和有神經(jīng)缺陷的模型獼猴的感知，運動，認(rèn)知發(fā)展，社會行為，學(xué)習(xí)和記憶以及情緒調(diào)節(jié)等。這些測試盡可能地與已建立的人類臨床試驗相結(jié)合，以便盡可能地提高跨物種適用性。重要的是，我們的目標(biāo)是盡可能多地將測試融入我們受試者的生活環(huán)境中，盡可能減少對動物的干擾和壓力。這一點，對于研究高級認(rèn)知機(jī)制至關(guān)重要。通過設(shè)計和構(gòu)建領(lǐng)先國際要求的靈長類飼養(yǎng)環(huán)境，我們需要優(yōu)化空間，改善環(huán)境測豐富度，同時實現(xiàn)更好的自動化測試和跟蹤監(jiān)測。創(chuàng)造世界一流的環(huán)境，最大限度的提高動物福利和環(huán)境豐富度，可以確保提供更高質(zhì)量的數(shù)據(jù)，我們相信這將帶來更快的科學(xué)進(jìn)步。
技術(shù)支持
從技術(shù)上講，我們的開發(fā)的靈活自動的行為測試系統(tǒng)，對被試的身份識別將采用基于神經(jīng)網(wǎng)絡(luò)的人臉識別技術(shù)(Butler & Kennerley 2018)，并結(jié)合head-free自動眼動跟蹤技術(shù)。對于無標(biāo)記行為身體跟蹤，我們希望改變和優(yōu)化深度卷積神經(jīng)網(wǎng)絡(luò)（DCNN）的姿勢識別算法，其中人類大數(shù)據(jù)庫的信息可以為其他物種的3D位置重建提供幫助（圖一）。
圖一 無標(biāo)記追蹤果蠅的實例(Mathis et al. 2018)，相同的深度卷積神經(jīng)網(wǎng)絡(luò)算法，也可以應(yīng)用到其他物種身上，但是需要優(yōu)化和整合才能與平臺記錄的其他行為數(shù)據(jù)協(xié)同工作。
最后，我們的認(rèn)知行為測試系統(tǒng)也會利用最新開發(fā)的無線電生理記錄，能夠在動物自由活動的情況下，以最少侵入的方式，收集更多的神經(jīng)元發(fā)放數(shù)據(jù)，并與行為建立更緊密的聯(lián)系。
提供服務(wù)
我們可以為科學(xué)家和臨床研究人員，課題中關(guān)于非人靈長類動物的感知，認(rèn)知及行為部分，提供動物訓(xùn)練和測試方面的技術(shù)支持。我們與牛津大學(xué)靈長類中心以及英國3R國際動物研發(fā)中心（(https://nc3rs.org.uk）合作，使用多維技術(shù)和行為測試工具，可以優(yōu)化和完善您研究中的行為訓(xùn)練和測試工作。
總結(jié)
優(yōu)化我們獲得的行為數(shù)據(jù)的類型和數(shù)量，尤其是對于更高的認(rèn)知和對于更深入地理解大腦至關(guān)重要(Krakauer et al. 2017)。同時， 對于解決已經(jīng)造成社會負(fù)擔(dān)的腦部疾病問題，這些基礎(chǔ)知識至關(guān)重要(Poo et al. 2016)。
認(rèn)知和行為研究平臺于2018年底在神經(jīng)科學(xué)研究所成立。我們正在積極招募認(rèn)知，軟件和硬件開發(fā)方面的專業(yè)人員，并歡迎申請平臺職位。 如果您對大腦的研究著迷并具備技術(shù)技能和好奇心，請與我們聯(lián)系！
參考文獻(xiàn)
Butler JL, & Kennerley SW. (2018). Mymou: A low-cost, wireless touchscreen system for automated training of nonhuman primates. Behavior Research Methods. https://doi.org/10.3758/s13428-018-1109-5
Krakauer JW, Ghazanfar AA, Gomez-Marin A, MacIver MA, & Poeppel D. (2017). Neuroscience needs behavior: Correcting a reductionist bias. Neuron, 93(3), 480–490. https://doi.org/10.1016/j.neuron.2016.12.041
Mathis A, Mamidanna P, Cury KM, Abe T, Murthy VN, Mathis MW, & Bethge M. (2018). DeepLabCut: Markerless pose estimation of user-defined body parts with deep learning. Nature Neuroscience, 21(9), 1281–1289. https://doi.org/10.1038/s41593-018-0209-y
Poo M-m, Du J-l, Ip NY, Xiong Z-Q, Xu B, & Tan T. (2016). China brain project: Basic neuroscience, brain diseases, and brain-inspired computing. Neuron, 92(3), 591–596. https://doi.org/10.1016/j.neuron.2016.10.050
