動物行動学的に意義のあるモデル生物の行動を包括的に特徴づけるには詳細な行動解析が不可欠であるが、行動レパートリー全体の手作業によるアノテーションは依然として主観的で、時間を要し、観察者の誤りの影響を受けやすい。機械学習の進歩により、録画映像から姿勢を高スループットで推定できるようになったが、姿勢および映像データから行動を分類するツールはなお発展途上にある。実験者は映像の全フレームを手作業で採点する代わりに、その一部のフレームのみにラベルを付与し、機械学習で訓練したソフトウェアによって残りを予測できる。本研究では、マルチモーダル特徴量（姿勢、映像、コンテキスト／関心領域）とクリップ単位の能動学習、すなわち短い映像断片に対する人手のラベリングを用いて、頑健な行動分類器を訓練する能動学習型行動推定・ラベリング（ABEL）プラットフォームを提示する。多様なげっ歯類行動試験において、ABELによる行動予測を熟練した人間の観察者および当該分野の標準的な自動化ソフトウェアと比較し、厳密に検証した。8種類の試験と45種類の行動を通じて、モデル訓練に必要な人手のアノテーションは合計19.5時間であり、評価者が採点した映像は利用可能な映像の約8％であった。ABELで訓練したモデルは、適合率・再現率曲線下面積（PR-AUC：見逃しと誤警報の均衡をモデルがどの程度適切に保てるかを示す0～1の指標であり、1が完全な性能を表す）が平均0.90（標準偏差0.09、範囲0.60～0.99）に達し、性能と行動の出現頻度との間に関連は認められなかった（r＝0.20）。これには、高確率のクリップを標的に発見するための独自ツールであるEssence ExtractorおよびUMAP Interactive Selectionが寄与しており、希少な行動を見つけるために必要なクリップ確認量は、無作為抽出と比べて6分の1、映像全体のラベリングと比べて10分の1に削減された。生物学的検証として、ABELで得られた行動が、その基盤となる神経細胞のカルシウム動態とどのように関連するかを評価した。行動ラベルは、曖昧な行動時および無作為に選択した行動非関連時間窓（シャッフル対照）とは異なる神経シグネチャーと緊密に同期していた。以上のデータは、ABELが動物行動学的に意義のある個別の行動をフレーム精度で分類するための効率的なプラットフォームであることを示している。
https://doi.org/10.64898/2026.08.30.748115