动物追踪是理解社交互动、神经机制、行为决策的重要手段，广泛应用于神经科学、心理学、药理学和疾病模型研究等领域，实现精准高效的多动物追踪将有力推动多个学科的研究。

近年来，随着人工智能（AI）的发展，动物追踪的自动化、智能化程度不断提高。然而，现有追踪方法依赖人工标注进行监督训练，标注成本高、效率低、主观差异大，并且难以覆盖不同的动物种类、实验范式和行为模式。如何在无需人工标注的前提下，在多种模式动物上实现精准追踪，成为动物追踪领域亟待解决的关键问题。

2026年5月4日，清华大学戴琼海/吴嘉敏/李欣阳研究团队联合复旦大学李子薇团队在Nature Methods上发表了研究论文Unsupervised transfer learning enables multi-animal tracking without training annotation，发布一种实现精准多动物追踪的无监督迁移学习方法UDMT，在不需要任何人工标注训练样本的条件下，仅输入原始视频即可完成追踪模型训练，不仅适用于多种模式动物，而且在拥挤、遮挡、快速运动、低对比度和跨物种实验等复杂条件下实现了精准高效的多动物追踪。

图1：UDMT在多种模式动物上实现精准追踪

UDMT基于双向一致性追踪原理，首先让网络顺着视频进行正向追踪，然后再逆着视频进行反向追踪，当网络收敛时正向轨迹和反向轨迹应该完全重合。基于这一原理，研究团队从视频自身的时间连续性中构建训练信号，使AI模型不需要任何人工标注训练样本，依然能够从数据中自动学习动物的外观特征和运动规律。此外，团队进一步提出时空信息聚合、目标定位优化、身份误差校正、自动参数调节等关键技术，显著提升复杂场景下的追踪精度和稳定性。在实际使用中，研究人员只需指定需要追踪的动物个体，UDMT便可自动完成模型训练和后续追踪，并输出每只动物的完整运动轨迹。该方法消除了人工标注和参数调节的沉重负担，使多动物追踪跨入无监督、高效率、自动化的新阶段。

图2：UDMT原理

真实行为实验往往包含拥挤、遮挡、低对比度、跨物种和快速运动等复杂情况。研究团队将UDMT应用于拥挤高对比度的黑色小鼠、低对比度的白色小鼠、大鼠与小鼠共处的跨物种实验，以及包含复杂背景的情况。结果表明，UDMT能够在各种场景下保持优越的准确性和稳定性。与DeepLabCut【1】、SLEAP【2】、idtracker.ai【3】和TRex【4】等现有最先进的监督学习方法相比，UDMT不仅无需任何人工标注，而且在不同动物数量、记录时长和帧率下均表现出更高的追踪精度。

图3：UDMT具有超越当前最先进监督方法的性能

动物行为与神经活动密切相关，UDMT在神经行为学前沿研究中正发挥重要作用。为探究神经活动与动物行为之间的关联，研究团队将UDMT与头戴式微型显微镜结合【5】，构建了多只小鼠自由活动的神经行为学记录平台，在精准捕捉小鼠运动轨迹的同时，借助先进头戴式显微镜记录视觉皮层2000余个神经元的活动。分析表明，当小鼠周围有同伴靠近时，整体神经元发放率显著升高；当小鼠处于较高运动速度时，神经活动同样显著增强。

图4：UDMT结合头戴式显微镜实现自由活动小鼠的神经行为学分析

除啮齿动物外，行为学研究还广泛涉及昆虫、线虫和鱼类等多种模式动物。不同动物在体型、运动方式、成像尺度和行为模式上差异显著，对追踪方法的通用性提出了更高要求。研究团队进一步将UDMT扩展到果蝇、秀丽隐杆线虫和斗鱼等动物，实现了最多17只动物的精准连续追踪。这些跨物种实验表明，UDMT不依赖单一动物类型或特定实验装置，能够适用于多样化的动物行为学实验。研究团队已发布UDMT的Python源代码、图形用户界面、行为记录数据和详细教程，促进该方法在更广泛科学研究场景中的应用。

作者及单位简介：

清华大学戴琼海院士、吴嘉敏副教授、李欣阳助理教授，复旦大学李子薇青年副研究员为本文的共同通讯作者，复旦大学博士生李奕昕为第一作者，张琦、张元龙、范家旗、卢志和徐昕翃参与并做出重要贡献。

UDMT主页：https://cabooster.github.io/UDMT/

代码链接：https://github.com/cabooster/UDMT