NBT封面丨合理化深度学习(rDL)显微成像技术框架赋能Multi-SIM系统 在低信噪比下实现高保真、可定量超分辨活细胞成像

光学显微成像技术的发展为人类打开了认识微观世界的大门，也成为了当今细胞生物学、发育生物学、神经科学等生命科学领域的重要研究工具。长期以来，活体显微成像所追逐的目标是以对生物样本最低的侵入性来获取最多的样本时空信息。但现有超分辨显微成像技术在提升空间分辨率的同时，往往需要牺牲其他对于解析生命过程同样重要的成像指标，如速度、时程或视野，无法满足对高动态、光敏感、长周期生命过程的观测需求。

针对以上技术与应用瓶颈，中国科学院生物物理研究所李栋课题组及纳析科技核心技术研发团队，联合清华大学自动化系戴琼海课题组、美国霍华德休斯医学研究所(HHMI)  Jennifer Lippincott-Schwartz博士以封面文章的形式在《自然·生物技术》  (Nature Biotechnology)杂志发表题为“基于合理化深度学习超分辨显微成像的快速、长时程活体亚细胞过程观测”(Rationalized deep learning super-resolution microscopy for sustained live imaging of rapid subcellular processes)的论文，提出了一套合理化深度学习(rationalized Deep Learning，rDL)显微成像技术框架，将光学成像模型及物理先验与神经网络结构设计相融合，合理化网络训练、预测过程，从而实现了高性能、高保真的显微图像去噪与超分辨重建。相比于该团队去年在《自然·方法》(Nature Methods)杂志上提出的傅立叶注意力超分辨重建神经网络模型(DFCAN/DFGAN)，合理化深度学习超分辨成像技术可将超分辨重建结果的不确定性降低3~5倍，并实现更高的保真度和重建质量；相比于其他去噪算法，该方法可完美恢复出调制在原始图像中的莫尔条纹，并将高频信息增强10倍以上。

合理化深度学习超分辨显微成像技术文章封面及生物应用

利用rDL GI-SIM对内质网等结构进行动态观测

合理化深度学习超分辨显微成像方法(rDL)能够适用于包括二维/三维结构光照明显微镜(rDL SIM)、晶格光片显微镜(rDL LLSM)等在内的多种显微成像模态，提供高分辨率、高保真的显微图像重建性能，相较于传统方法大幅提升成像时程和速度，并且可以与纳析科技公司最新推出的多模态结构光照明显微成像系统(Multi-SIM)完美结合，将传统超分辨活体成像速度与时程提升30倍以上，能够实现当前国际最快(684Hz)、成像时程最长(最长可达3小时、60,000时间点以上)的活体细胞超分辨成像性能。在合理化深度学习显微成像技术的赋能之下，Multi-SIM系统可以开展过去的成像手段无法完成的超分辨活体成像实验，首次实现对高速摆动纤毛(>30Hz)中转运蛋白(IFT)的多种运输行为以及完整细胞分裂过程中核仁液液相分离(liquid-liquid phase separation)过程进行快速、多色、长时程、超分辨观测。    

合理化深度学习超分辨显微成像方法应用概览

整体而言，rDL SIM与rDL LLSM共同构成的合理化深度学习超分辨显微成像技术(rDL-SRM)充分利用了光学成像的物理模型和相关先验信息来构建深度神经网络架构、启发神经网络的训练与推理策略，从而实现了仅凭深度学习算法或成像硬件改进无法完成的成像性能提升，是人工智能与光学显微成像技术交叉创新的典型成功范例，也是超分辨活体显微成像领域又一突破性进展，它的出现将为细胞生物学、发育生物学等领域的研究创造更多可能性。纳析科技核心技术研发团队正致力于利用rDL技术框架全面赋能Multi-SIM等商业化系统，进一步拓展其在生物医学研究中的应用范畴；李栋课题组及纳析科技核心技术研发团队将继续探索人工智能技术与光学显微成像学科交叉、软硬件深度融合的创新思路，为生物医学研究提供新一代智能化显微成像系统。

论文链接：https://www.nature.com/articles/s41587-022-01471-3