En flexibel neural flerregionsgränssnitt för avkodning av beteendetillstånd hos fritt rörliga möss

Lyssna på hjärnans dagliga rutin

Vardagsaktiviteter som att vila, röra sig omkring eller ta ett mellanmål känns spontana, men de uppstår ur miljoner nervceller som avfyrar tillsammans djupt inne i hjärnan. Denna studie visar hur ett nytt flexibelt sensorsystem, i kombination med modern artificiell intelligens, kan ”lyssna” på många hjärnregioner samtidigt hos fritt rörliga möss och tillförlitligt avgöra vad djuret gör. I längden kan sådan teknik hjälpa forskare att förstå hjärnsjukdomar och bygga bättre hjärn‑datorgränssnitt som fungerar utanför laboratoriet.

Fönster mot en aktiv hjärna

Traditionella hjärnprober är styva och brukar bara lyssna på ett enskilt område, vilket kan irritera vävnad och missa helhetsbilden av hur olika regioner samarbetar. Forskargruppen designade en flerregions flexibel sond som löser båda problemen. Varje sond bär åtta tunna armar, eller skänklar, kantade med små guldfångstplattor för inspelning. Genomtänkta omegaformade kurvor inbyggda i varje skänkel låter strukturen tänjas och böjas med den mjuka hjärnan, så att den kan nå avlägsna områden utan att gå av eller dra i vävnaden. Tester i gel‑»fantom»hjärnor och i levande möss visade att enheten kan spänna över mer än en centimeter av hjärnan och behålla stabila elektriska egenskaper i veckor, även när djuren rör sig naturligt.

Följa möss när de vilar, strövar och matar sig

För att koppla hjärnaktivitet till verkligt beteende byggde forskarna en genomskinlig låda där mössen kunde röra sig fritt, med strö på golvet, mat i ett fast hörn och en lampa som kunde avge korta blixtar. Kameror ovanifrån följde huvud‑ och svanspositioner, medan den nya sonden spelade in låg‑frekventa hjärnsignaler från upp till åtta regioner, inklusive centra för rörelse, känsel, minne och syn. Gruppen fokuserade på fyra lättigenkännliga tillstånd: vila, ströva runt i lådan, äta vid matplatsen och reagera på ett rytmiskt ljusblixt. Genom att noggrant märka beteenden i videorna och matcha dem med hjärnregistreringarna byggde de upp en rik dataset som täcker ungefär en veckas aktiv tid över fyra möss.

Lära en AI att läsa hjärnmönster

Hjärnsignaler förändras snabbt över tid och mellan regioner, så gruppen vände sig till en djupinlärningsmodell för att hitta mönster som är svåra för människor att se. Deras specialbyggda ”L‑Conformer”‑modell kombinerar två idéer: en del söker efter kortdistansformer i signalen, medan en annan ”attention”‑del följer hur mönster relaterar över längre tidsperioder. Genom att skjuta ett tidsfönster över inspelningarna lär sig modellen att koppla varje fyrasekundersbit hjärnaktivitet till ett av de fyra beteendetillstånden. Forskarna testade många fönsterlängder och fann att fyra sekunder gav den bästa balansen mellan att fånga varaktigt beteende och undvika blandningar av olika tillstånd, och nådde nästan 89 % noggrannhet. Konkurrerande modeller från nyare hjärn‑datorgränssnittstudier presterade inte lika bra på detta krävande, naturalistiska dataset.

Fler hjärnregioner slår en

En central fråga var om det är bättre att samla många elektroder i en enda »favorit»region eller sprida dem över hjärnan. När modellen tränades på signaler från ett område i taget varierade prestationen mycket och var ofta måttlig. Genom att kombinera alla åtta regioner ökade medelnoggrannheten till nästan 88 %. Teamet gjorde sedan rättvisa, huvud‑till‑huvud‑jämförelser genom att hålla det totala antalet kanaler konstant samtidigt som deras placering ändrades. Med bara några kanaler fungerade koncentration i en region något bättre. Men när signaler från fem eller fler regioner inkluderades drog den distribuerade layouten tydligt ifrån och fortsatte förbättras, medan en‑regionsupplägget nådde en platå. Detta tyder på att vardagstillstånd som vila, ströva och äta är verkliga helhjärnefeno­men, inte produkten av någon ensam »central».

Stabil avkodning över dagar och mellan olika möss

För framtida klinisk eller stödjande användning måste en avkodare fungera utöver en enstaka inspelningssession eller individ. Forskarna undersökte därför om deras modell kunde hantera nya dagar och nya djur utan ständig omträning. När den tränades på flera dagars data från en mus och sedan testades på senare dagar, steg noggrannheten till cirka 85 %, nära samma‑dagens prestanda, även utan ominställning av modellen. I ett tuffare test tränade de systemet på tre möss och utvärderade det på en fjärde. Anmärkningsvärt nog kunde modellen ändå gissa det djurets beteendetillstånd med omkring 70 % noggrannhet direkt, och enkel finjustering med en del av den nya musens data pressade noggrannheten över 80 %.

Vad detta betyder för framtida hjärngränssnitt

Enkelt uttryckt visar studien att ett mjukt, flerregions »lyssnät» i kombination med en kraftfull inlärningsalgoritm kan avkoda vad en fritt rörlig mus gör med hög tillförlitlighet över veckor och mellan olika djur. För icke‑experter är huvudpoängen att hjärntillstånd som vila, utforskande och ätande är skrivna i storskaliga mönster spridda över hjärnan, och att flexibel elektronik och AI kan läsa denna distribuerade kod utan att skada vävnaden eller börja om varje dag. På sikt kan liknande angreppssätt hjälpa till att övervaka inre tillstånd vid hjärnsjukdomar, styra behandlingar och stödja hjärn‑datorgränssnitt som fungerar i mer naturliga, vardagliga miljöer.

Citering: 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

Nyckelord: hjärn-datorgränssnitt, neural avkodning, flexibla elektroder, beteendetillstånd, djupinlärning