自由に動くマウスの行動状態を復号するための多領域フレキシブル神経インターフェース

脳の日常を傍受する

休む、歩き回る、おやつを取るといった日常動作は何気ないものですが、脳の奥深くで何百万ものニューロンが協調して発火することで生じます。本研究は、新しいフレキシブルなセンサーシステムと現代の人工知能を組み合わせることで、自由に動くマウスの複数領域を同時に“傾聴”し、動物が何をしているかを高い信頼性で判定できることを示します。長期的には、この種の技術が脳疾患の理解を深め、実験室外でも機能するより良い脳‑コンピュータ・インターフェース構築に役立つ可能性があります。

忙しい脳への柔らかな窓

従来の脳プローブは剛性があり通常単一領域を記録するため、組織を刺激したり、異なる領域間の協調という大局を見落としがちです。研究チームはこれら両方の問題を解決する多領域フレキシブルプローブを設計しました。各プローブは八つの細いアーム（シャンク）を備え、微小な金色の記録パッドが並んでいます。各シャンクに組み込まれたオメガ形状の曲線は、柔らかい脳組織に合わせて伸縮・たわむことを可能にし、断裂や組織の引き込みを起こさずに遠隔領域へ到達できます。ゲルの“ファントム”脳や生体マウスでの試験により、このデバイスは1センチ以上の脳領域にまたがり、動物が自然に動いても数週間にわたり電気的特性を安定して保てることが示されました。

休息、徘徊、摂食を追う

脳活動を実際の行動に結び付けるため、研究者たちはマウスが自由に動ける透明な箱を作りました。床には敷材があり、餌は固定された隅に置かれ、短い閃光を与えられるライトも備えています。上方のカメラが頭部と尾部の位置を追跡する一方で、新しいプローブは運動、触覚、記憶、視覚センターなど最大八領域から低周波の脳信号を記録しました。研究チームは四つの容易に識別できる状態に焦点を当てました：休息、箱内を徘徊すること、餌場での摂食、そしてリズミカルな光刺激への反応です。ビデオから行動を注意深くラベリングし、それを脳記録と照合することで、四匹のマウスにわたる約一週間分の活発な時間を含む豊富なデータセットを作成しました。

AIに脳パターンの読み方を教える

脳信号は時間軸や領域間で急速に変化するため、研究グループは人間には見つけにくいパターンを抽出するために深層学習モデルを採用しました。彼らのカスタムモデル「L‑Conformer」は二つの考えを組み合わせています：一部は信号の短期的な形状を捉え、もう一方の“アテンション”部分はパターンがより長い時間範囲でどう関連するかを追跡します。記録に対して時間窓をスライドさせることで、モデルは各4秒の脳活動チャンクを四つの行動状態のいずれかに結び付けることを学習します。研究者たちは多くの窓長を試し、4秒が持続的な行動を捉えつつ異なる状態の混在を避ける最良のバランスであることを見出し、ほぼ89%の精度に到達しました。最近の脳‑コンピュータ研究から取られた競合モデルは、この要求の高い自然主義的データセットでは同等の性能を示しませんでした。

多領域は単一領域に勝る

重要な問いは、電極を一つの“好みの”領域に集中させるのが良いのか、それとも脳全体に分散させるべきか、ということでした。モデルを各領域ごとの信号で学習させた場合、性能は大きく変動ししばしば控えめでした。八領域すべてを組み合わせると平均精度はほぼ88%に向上しました。チームは総チャネル数を同じに保ちながら配置を変えて公平な比較を行いました。チャネル数が少ない場合は、一つの領域に集中させる方がわずかに良い結果を示しました。しかし五領域以上の信号を含めると、分散レイアウトが明確に優位となり改善を続ける一方、単一領域のセットアップは頭打ちになりました。これは、休息、徘徊、摂食といった日常的な状態が単一の“中心”によるものではなく、脳全体に広がる大規模なパターンとして表現されていることを示唆します。

日をまたいだ、異なるマウスでも安定した復号

将来の臨床応用や支援技術として利用するためには、デコーダが単一の記録セッションや個体を超えて機能し続ける必要があります。そこで研究者たちは、モデルが頻繁な再学習なしで新しい日や新しい個体に対処できるかを検証しました。あるマウスの複数日分のデータで学習しその後の別の日にテストしたところ、モデルは約85%の精度に達し、同一日の性能に近い結果を示しました。より厳しいテストでは、システムを三匹のマウスで学習させ、四番目のマウスで評価しました。驚くべきことに、モデルはそのままでも約70%の精度で当該個体の行動状態を推定でき、さらに新しいマウスの一部データで簡単にファインチューニングすることで精度は80%以上に向上しました。

将来の脳インターフェースにとっての意義

簡潔に言えば、本研究は、柔らかい多領域の“傾聴ネット”と強力な学習アルゴリズムを組み合わせることで、自由に動くマウスの行動を数週間にわたり、異なる個体間でも高い信頼性で復号できることを示しています。専門外の方にとっての要点は、休息、探索、摂食といった脳状態は脳全体に広がる大規模なパターンとして書き込まれており、フレキシブルな電子デバイスとAIによって組織を損なうことなく、毎日ゼロからやり直すことなくその分散コードを読み取れるということです。長期的には、同様のアプローチが脳疾患における内部状態のモニタリング、治療のガイド、およびより自然で日常的な環境で機能する脳‑コンピュータ・インターフェースの支援に役立つ可能性があります。

引用: Tian, Y., Li, G., Su, H. et al. A multi-region flexible neural interface for behavioral state decoding in freely moving mice. Microsyst Nanoeng 12, 154 (2026). https://doi.org/10.1038/s41378-026-01258-5

キーワード: 脳‑コンピュータ・インターフェース, 神経復号, フレキシブル電極, 行動状態, 深層学習