用于快速亚细胞过程的持续实时成像的合理化深度学习超分辨率显微镜

中科院生物物理研究所李东课题组与清华大学自动化系戴琼海课题组、霍华德休斯医学研究所(HHMI)JenniferLippincott-Schwartz博士合作设计了合理化深度学习超级分辨率显微镜(rDL-SRM)。该研究发表在《自然生物技术》上。

研究人员报告了一种合理化深度学习超分辨率显微镜(rDL-SRM)的方法，该方法将特定显微镜的确定性物理模型植入网络训练和推理中，以消除/最小化不适定性、模型不确定性、光谱偏差，以及当前深度学习超分辨率(DLSR)方法对高质量训练数据集的需求。

他们证明了rDL-SRM提供了第一个实用的解决方案，用于以超高分辨率在空间和时间上以前所未有的持续时间对各种动态细胞内过程进行成像，包括运动纤毛内部的快速动力学、核仁蛋白在光上的多相转变。敏感的有丝分裂，以及膜和无膜细胞器之间的长期相互作用。

不是直接将SR图像推断为当前以端到端方式训练的超分辨率神经网络，而是应用rDL方法对原始图像进行去噪，其中超出衍射极限的高频信息被下调制作为低频莫尔条纹，然后使用成熟的SIM算法重建SR图像。该策略消除了恢复莫尔条纹的光谱偏差效应，但也确保了高质量的SR图像重建，而不会降低空间和时间分辨率。

系统比较表明，物理模型合理化的三分支架构将SR信息显着提高了10倍以上，并将模型不确定性降低了3~5倍，提供了物理上可行的推论，可以更容易地推广到由训练数据。

rDL概念具有广泛的兼容性和广泛的功能。通过利用某些成像模式的光学传递函数(OTF)和噪声图像序列的时空连续性，研究人员构建了一个可学习的傅里叶噪声抑制模块(FNSM)和时间/空间交错的自监督rDL(TiS/SiS-rDL)去噪网络，无需获取地面实况(GT)SR训练数据即可实施，但仍产生与GT监督的结果一样好的结果，有时甚至更好，因此，无需额外的训练数据。

rDL-SRM方法显着突破了2D/3DSR实时成像的界限，以比最先进的SRM高10倍的帧速率实现了30倍以上的成像持续时间。因此，rDL-SRM方法可以研究各种生物过程的精细空间细节、快速动力学和长期动力学，而SR实时成像尚未这样做。

在2DSR成像场景中，rDLTIRF-SIM在将细胞放置在盖玻片上后实现了长达一小时的延时超分辨率(97nm)记录，这清楚地解决了F-肌动蛋白和肌球蛋白之间的协调动力学-IIA，产生片状伪足的突出和收缩振荡。研究人员使用rDLGI-SIM来表征运动纤毛跳动模式和频率，SR成像速度高达684Hz(受sCMOS相机读出率限制)，60,000帧首次没有明显的光漂白，并且双色纤毛和IFT列车的活细胞可视化揭示了IFT列车在纤毛中段发生碰撞、重塑和转向的多种新行为，而这种行为以前只发生在纤毛尖端。

在3D成像场景中，rDLLLS-SIM使研究人员能够在内源水平上分析核仁在有丝分裂过程中的多相转变过程。他们一致观察到RPA49在内纤维中心相的大液滴可以分裂成几个独立的病灶，表明主动裂变机制可能在核仁的组装中起作用。此外，TiS-rDLLLSM以每秒10个全细胞体积的高体积成像速度生成了10,000个体积的运输SiT囊泡集体行为的高质量图像。SiS-rDLLLSM能够以秒为间隔进行长达数小时的三色SR成像，这首先检查了细胞在有丝分裂期间正确分离不同细胞器所采用的多种策略。

总之，rDL-SRM满足了对超高空间和时间分辨率、高保真度和长时间可量化的细胞内动力学微创2D/3D成像的未满足需求。rDL方法的实施和改进为揭示各种生物现象提供了巨大的希望。