Beteendedatabas för Long-Evans och dess schizofreniliknande substrain över flera generationer

Varför råttbeteende kan hjälpa oss förstå psykisk sjukdom

Schizofreni är en allvarlig psykisk störning, men att studera den direkt hos människor är långsamt, svårt och etiskt begränsat. Forskare vänder sig därför ofta till djur för att undersöka hur gener, livserfarenheter och hjärnans kemi samverkar över tid. Den här artikeln beskriver en rik öppen datamängd insamlad under sju år från mer än tusen råttor, inklusive en särskilt uppfödd linje som uppvisar schizofreniliknande egenskaper. Genom att göra dessa mätningar fritt tillgängliga erbjuder författarna en kraftfull ny resurs för alla som är intresserade av hur beteende, lärande och ärftlighet hänger ihop.

En lång studie av två råttlinjer

Studien följer 1 342 råttor från en standardlaboratorielinje, Long-Evans, och en systerlinje kallad Lisket som designats för att modellera vissa drag av schizofreni. Lisket-råttor exponerades tidigt i livet för tre påfrestningar: en period av social isolering, upprepade doser av ett läkemedel som förändrar hjärnans signalering, och selektiv avel baserad på beteende. Under 16 generationer uppfostrades hannar och honor från båda linjerna under noggrant kontrollerade förhållanden och testades sedan vid tio veckors ålder. Denna långsiktiga design gör det möjligt för forskare att undersöka inte bara skillnader mellan de två stammarna, utan också hur beteendet förblir stabilt eller förändras när djuren avlas över åren.

En råttracerbana som mäter nyfikenhet och lärande

För att fånga beteende effektivt använde teamet en specialbyggd uppställning kallad Ambitus: en rektangulär bana med klara väggar kantad av små sidoboxar som kan leverera små matbelöningar.

Från råa banor till meningsfulla mått

Författarna omvandlade dessa rörelser till 91 olika mått som tillsammans beskriver lokomotion, utforskande, belöningsinsamling och lärandeeffektivitet. För avelsprogrammet grupperades nyckelmått till enkla poäng som klassificerade varje djur som låg-, medel- eller högrisk för en schizofreniliknande profil. Den fullständiga datamängden går dock långt bortom dessa kategorier. Den inkluderar en "rå" tabell där varje försök för varje råtta listas separat, och en "bearbetad" tabell där beteendet över de fyra försöken är prydligt summerat för varje djur tillsammans med dess stam, kön, generation och testdatum. Denna struktur tillåter användare att zooma in på ögonblick-för-ögonblick-beteende eller zooma ut för att jämföra mönster över stora grupper.

Kontroll av datakvalitet

Stora datamängder är bara användbara om de är tillförlitliga, så författarna genomför flera kontroller. De kartlägger hur ofta värden saknas och visar att de flesta måtten är mer än 99 % kompletta. De största luckorna uppstår när en råtta helt enkelt inte besöker någon sidobox i en viss fas, vilket i sig är en informativ signal om låg aktivitet snarare än ett tekniskt fel.

Vad detta betyder för framtida forskning

I sig gör detta arbete inte anspråk på att lösa schizofreni eller peka ut ett enda "sjukdomsbeteende" hos råttor. Istället erbjuder det en noggrant dokumenterad, öppet tillgänglig grund som många olika studier kan bygga vidare på. Neurovetenskapsforskare kan använda den för att söka efter robusta beteendemarkörer, datavetare kan testa nya maskininlärningsverktyg, och Farmakologer kan jämföra hur potentiella behandlingar kan skifta aktivitets- och lärandemönster. För en lekmannaläsare är huvudbudskapet att de råa byggstenarna för upptäckt — rena, långsiktiga mätningar av beteende under kontrollerade förhållanden — nu delas på ett sätt som inbjuder till samarbete. Det gör det mer sannolikt att subtila länkar mellan gener, erfarenhet och psykisk hälsa så småningom framträder tydligare.

Citering: Kőrösi, G., Czimbalmos, O., Kekesi, G. et al. Behavioral dataset for Long-Evans and its schizophrenia-like substrain through several generations. Sci Data 13, 398 (2026). https://doi.org/10.1038/s41597-026-06735-0

Nyckelord: råttbeteende, modell för schizofreni, longitudinell datamängd, kognitiva tester, maskininlärning inom neurovetenskap