在工业化和城市化进程中，环境污染问题日益严重，对环境健康和公共卫生构成了挑战。世界卫生组织数据显示2019年环境污染导致900万人早逝，同年联合国环境署的报告预计未来十年化学品销量将翻倍，因此完善化学品的健全管理机制至关重要，急需发展高效率毒理评估技术。斑马鱼作为一种模型生物，在高通量筛选污染物方面具有独特优势。然而，传统的毒理学实验研究繁复耗时，而随着机器人技术、高内涵成像及视频技术的进步，结合人工智能的分析能力，能极大提升数据处理的准确与效率，使TB甚至PB级别的生物图像视频大数据分析成为可能。

随着人工智能（AI）技术的蓬勃发展，其在大数据分析、因果关系建立和知识生成方面的能力为多个研究领域带来了革命性的变化。在环境毒理学领域，尤其是使用斑马鱼（Danio rerio）作为模型生物的研究中，AI技术的应用正展现出巨大的潜力。近期，同济大学环境科学与工程学院的林思劼教授团队在Environmental Science & Technology上发表了题为“Bringing Artificial Intelligence (AI) into Environmental Toxicology Studies: A Perspective of AI-Enabled Zebrafish High-Throughput Screening”的前瞻性论文，深入探讨了AI在斑马鱼高通量筛选中的应用和前景。

人工智能经历了数十年波折直至深度学习的兴起，正以更强的数据处理、算法优化和计算能力变革科学研究。计算机视觉作为人工智能主要的研究方向之一，展现了在斑马鱼研究中的广泛应用前景。该研究剖析了人工智能在斑马鱼毒理、环境监测和药理学前沿应用，着重讨论了人工智能辅助的斑马鱼表型图像和行为视频分析，同时指明了现有的不足之处及未来的研究机遇，图中的关键词云图谱清晰描绘了这一跨领域研究的热点与趋势（图1）。

图1 斑马鱼相关研究主题的关键词云。单词的相对大小和高度代表了有关人工智能和斑马鱼研究融合的文献中发现的不同单词频率。

目前手工处理的方式仍是斑马鱼图像分析的基础手段。但当图像数量剧增，人工误差与成本都会大幅增加，并且手工的方式几乎不可能完成一些图像大数据的精细化分析任务（如感兴趣区域的定量分析等）。为克服此局限，研究界正转向使用人工智能（AI）工具加速图像大数据分析过程，确保图像定性定量信息提取的客观、高效与一致性。AI赋能斑马鱼图像分析上的应用可覆盖三个层面：个体、器官组织及细胞分子层面。个体层面专注于不同发育阶段胚胎或幼鱼的典型表型分类；其余层面则聚焦特定器官或感兴趣区域。图中列举了各层面常用算法，其中KNN与基于大数据训练的SOM无监督学习工具，能有效区分胚胎或幼鱼特征；LDA、QDA、朴素贝叶斯分类器等，则擅长识别特定细胞类型；AdaBoost分类器凭借其集成学习结构与高维特征，在个体与器官水平检测中表现出色；而CNN、SVM及随机森林等，因强大的图像特征提取能力，适用于所有三个层级的复杂图像特征识别，无论是整体胚胎还是细胞分子层面（图2）。这些分类算法的成功案例为研究者提供了参考，便于其根据具体应用选择合适模型。总结这些融合计算机视觉与关联分析的算法，旨在简化研究者决策流程，助力他们在研究中筛选并应用最高效的人工智能工具。

图2 基于人工智能的斑马鱼图像分析中使用的常用算法。

视频作为一种反映动物对环境刺激反应的有效工具，被广泛应用于动物健康评估。AI赋能斑马鱼视频的分析同样可细分为三个层面：群体行为、个体行为及细胞或分子行为层面。图中概述了各层面采用的算法，其中KNN、ISOMAP、SOM等聚类算法在社会行为分析中占主导；而GNN等监督学习算法基于典型行为知识，对斑马鱼个体行为分类至关重要；此外，RNN、LSTM等时序模型利用视频序列数据特性，有效识别特定刺激下的异常群游行为；在细胞或分子层面，SVM和CNN在精准检测斑马鱼特定区域的微小变化中表现优异，能细致分类诸如慢速前游、转身逃逸等行为（图3）。

图3 基于人工智能的斑马鱼视频分析中使用的常用算法

斑马鱼二维和三维运动轨迹的准确记录使建立典型行为指标成为可能。图中总结了AI分析斑马鱼个体和社会行为的典型实验设置（图4）。在个体行为分析中，尽管无监督学习算法（如UPGMA和SOM）和监督学习算法（如SVM）在圆形井中被证明有效，但存在过度简化的风险，可能无法充分捕捉斑马鱼行为的复杂多样。在新型水箱测试中，使用SVM、KNN和QDA等算法追踪和区分不同行为虽前景可期，但其分类准确性及对细微行为的潜在误解需关注。T迷宫和Y迷宫测试能够评估斑马鱼的认知功能、学习记忆，测试结果受迷宫物理布局和斑马鱼压力水平等多因素影响。开阔场测试中，边缘偏好常作为压力和焦虑的指标，但将其直接等同于压力和焦虑是不严谨的，因为斑马鱼行为受多重因素调控。社会行为分析中，镜像刺激常用于研究攻击行为，但其有效性需谨慎验证。此外，利用ISOMAP等算法理解集体行为模式是重要的研究进展，但仍需认识到数学模型可能无法全面解释斑马鱼社交互动的复杂性。

图4 鱼类行为测量的典型实验设置和适合分析的人工智能算法。(a) 斑马鱼行为测量的六种典型实验设置；(b) 神经网络的简化结构示意图；(c) 通过对相关行为参数进行聚类，可得到被测行为参数与行为模式之间的相关性。

人工智能的演进重新界定了任务执行模式，与人类智慧交织共生，其任务执行模式可归纳为四个象限(图5)。一象限任务关乎人心深处，如潜意识解读、情感处理及直觉构建，这些人类经验的复杂面，AI尚难全然触及；二象限任务规则明确、耗时劳力，AI能够高效精确地处理；三象限包括由于其规模或复杂性而对人类构成重大挑战的任务，如海量图像视频分析、复杂虚拟导航，DL、CV、NLP等人工智能技术在这些领域展示了强大的分析能力；四象限则包括创造力、决策和独创性领域，对人与AI均存在考验，是AI的前沿探索方向。此框架概述了人机互动的动态平衡，凸显优势、潜能与挑战，指引着AI发展的未来路径，深度融合于人类活动中。

图5 人机交互的四象限系统，根据人类的难度等级和委托给机器的可能性对任务进行分类。

人工智能（AI）与环境毒理学的融合，特别是在AI驱动的斑马鱼高通量筛选应用中，正引领环境研究进入一个精准、高效的新时代。该领域面临的主要挑战包括数据不足和质量不高，限制了AI模型的优化。通过采用计算机视觉技术改善数据质量，以及多模态机器学习融合多元信息，可提升分析精确度和广度。建立斑马鱼大型图像数据库不仅能促进模型训练，还能作为科研信息共享平台，加速知识发现。然而，模型的通用性问题需解决，建立模型共享平台，促进跨学科合作与模型的持续优化，对推进毒理学研究至关重要。AI技术不仅加速数据处理，未来还能从图像数据中揭示更深层的环境污染物影响机制，革新研究方法。其对多组学数据的集成分析，有助于深入理解毒性作用路径，指导减缓策略。同时，AI加速新毒物识别与安全化学品开发，实时监控污染物的生态影响，促进了环境保护和人类健康的科学决策支持。跨学科合作是推进AI在环境毒理学应用的关键，涵盖计算机科学、毒理学、生物学及环境科学等领域，共同应对环境挑战。伴随AI技术的深化应用，确保其使用的安全、伦理性和公正性成为研究的核心考量，需谨慎处理训练数据，防止偏差传播。尽管AI在很大程度上赋能了数据分析能力，但尚存在关键性的问题，比如：模型究竟是准确反映了生物系统的复杂性，还是过度简化了生物变量间的关系？在拥抱技术进步的同时，应权衡其在生物学研究中的实际应用潜力与局限。总之，AI正引领环境毒理学研究进入一个前所未有的高效、精确和综合评估的新纪元。

综上所述，该研究归纳总结了当前基于人工智能的斑马鱼图像和视频分析方法，从个体生物、器官组织以及细胞分子层面剖析了斑马鱼显微图像分析的重难点问题以及各人工智能算法的适用性与优势。此外，该研究从群体行为、个体行为以及细胞分子行为层面剖析了人工智能赋能斑马鱼行为学视频分析的研究进展，并展望了人工智能赋能环境毒理学研究的发展前景。

同济大学王楠博士为该论文第一作者，林思劼教授为该论文通讯作者。相关研究获得了国家自然科学基金（No.22176150），上海市“基础研究特区计划”等项目的资助。