研究攻克超分辨長時程成像難題

近日，哈爾濱工業大學李浩宇教授團隊在生物醫學超分辨顯微成像技術領域取得突破性進展。針對目前活體細胞超分辨成像領域中光子效率不足的難題，團隊提出一種基于無監督學習的自啟發去噪方法，通過無監督深度學習技術，在無需大訓練集和高信噪比真值圖像的條件下，將光子效率提升了兩個數量級，實現了在低光照條件下的溫和、長時程活體成像，并且突破了技術瓶頸，僅使用單一噪聲幀即可去噪。該技術具有廣泛的適用性，可廣泛應用于各種超分辨系統，為在超分辨尺度下研究細胞器相互作用原理及其他生物醫學研究提供了新的科學影像工具。相關成果發表在《自然方法學》上。

攻克超分辨長時程成像難題。哈爾濱工業大學供圖

活細胞超分辨熒光顯微成像技術的發展目標，是在生理友好的成像條件下保持足夠的時空分辨率。然而，提升空間分辨率通常需要增加照明強度或延長曝光時間，同時還需匹配時間分辨率以防止運動偽影。因此，活細胞超分辨成像中光子效率的提升至關重要。深度神經網絡利用監督學習擬合噪聲圖像與干凈圖像之間的映射，能夠顯著提升光子效率，然而其需要收集大量配對的干凈圖像，難以應用于活細胞。無監督學習去噪方法給超分辨成像提升光子效率提供了另一種選擇，但仍需要大量的噪聲圖像對其進行學習，去噪效果有限且數據效率低。因此，如何能在有限的數據下、在無需噪聲圖像對條件下，開發無監督學習去噪方法提升超分辨顯微系統光子效率，實現活細胞超分辨尺度下長時程成像目標，仍是目前該領域內的挑戰。

針對上述問題，李浩宇教授團隊提出了一種自啟發學習超分辨去噪方法（簡稱SN2N）。其利用超分辨系統的空間采樣冗余特性設計自監督數據生成策略，從單張圖像生成所需的噪聲對圖像作為數據集，并開發自約束學習策略，進一步提高去噪性能和數據效率，使去噪效果逼近監督學習水平。最終，SN2N能夠將超分辨顯微系統的光子通量提升兩個數量級以上。此外，SN2N可與多種常用光學超分辨顯微成像技術結合，成為一種易于使用的光子通量提升工具。該方法還包括細胞器結構的高精度分割解決方案，并提供智能預分析功能，有望促進下游高通量生物信息分類和細胞器的高精度智能分割與追蹤。

團隊將SN2N方法進一步結合解卷積技術提高分辨率，并應用于基于轉盤共聚焦超分辨顯微系統，實現了清晰的四色活細胞成像，使得快速而復雜的細胞器動態過程得以可視化，深入探索細胞器之間的協同作用和相互作用關系。

SN2N在四色活細胞成像結果。哈爾濱工業大學供圖

團隊還使用所開發的方法在SD-SIM系統上成功實現了分辨率高達90納米的五維（xyz-顏色-時間）長時程活細胞超分辨成像。該技術揭示了在整個細胞有絲分裂過程中內質網（洋紅色）、線粒體（綠色）和細胞核（青色）之間的動態組學互作，監測時間超過3小時，為生物學家進一步探索細胞器的功能和相互作用關系提供了重要的實驗依據。

SN2N實現五維長時程活細胞成像。哈爾濱工業大學供圖

SN2N技術就像一面神奇的“鏡子”，通過自我反射和自我啟發，將模糊的圖像轉化為清晰的圖景，把那些難以辨識的生物信息逐漸呈現出來。SN2N巧妙地利用了超分辨率顯微成像系統的物理特性，無需大量匹配圖像的輔助，使得活細胞溫和、長時程的超分辨成像成為現實，不僅打破了傳統超分辨顯微成像技術在光子效率和數據需求方面的瓶頸，還能應用到多種現有的超分辨顯微鏡系統。通過SN2N，生物學家能夠在長時程、高分辨率下，清晰地觀察細胞內部復雜的動態變化，從而更精準地解讀細胞的功能與機制。

該技術為深入探索細胞內部結構提供了全新的視角，同時也為生物醫學研究和疾病機制的解析提供了強有力的工具。

相關論文信息：https://doi.org/10.1038/s41592-024-02400-9