近日，清华大学自动化系、清华大学脑与认知科学研究院、清华-IDG/麦戈文脑科学研究院戴琼海课题组，联合中国科学院生物物理研究所李栋课题组、美国霍华德休斯医学研究所（HHMI）詹妮弗·利平科特-施瓦茨（Jennifer Lippincott-Schwartz）博士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，并结合实验室自主研发、搭建的多模态结构光照明显微镜（Multi-SIM）与高速晶格光片显微镜（LLSM），将传统超分辨活体成像速度与时程提升30倍以上，实现了当前国际最快（684Hz）、成像时程最长（最长可达3小时、60,000时间点以上）的活体细胞成像性能，首次对高速摆动纤毛（>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。

图1.合理化深度学习超分辨显微成像技术文章封面与神经网络架构

具体而言，研究团队提出的合理化深度学习结构光超分辨重建架构（rDL SIM）不同于现有超分辨神经网络模型的端到端（end-to-end）训练模式，而是采用分步重建策略，首先利用所提出的融合成像物理模型和结构光照明先验的神经网络对原始SIM图像进行去噪和高频信息增强，然后再通过经典解析算法进行SIM重建以获得最终的超分辨图像。相比于该团队去年在《自然·方法》（Nature Methods）期刊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。

此外，针对晶格光片显微镜、共聚焦显微镜等宽场照明或点扫描成像模态，研究团队提出了一种可学习的傅立叶域噪声抑制模块（FNSM），该模块可以利用光学传递函数信息对显微图像中的噪声进行自适应滤除。然后，他们以此构建了嵌入傅立叶域噪声抑制模块的通道注意力去噪神经网络架构，并基于显微成像数据本身的时空连续性，提出了时空交织采样自监督训练策略（TiS/SiS-rDL），无需额外采集训练数据、亦无需保证时序数据具有时间连续性，即可实现媲美监督学习效果的去噪神经网络的训练，解决了实际生物成像实验中高质量训练数据难以获取的难题。

图2.合理化深度学习超分辨显微成像方法应用概览

合理化深度学习超分辨显微成像方法能够适用于包括二维/三维结构光照明显微镜（2D/3D-SIM）、晶格光片显微镜（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。借助合理化深度学习超分辨成像技术，研究团队进行了诸多过去的成像手段无法开展的超分辨活体成像实验，包括以下五项实验。

对滴落在玻片上的U2OS细胞贴壁生长过程进行了双色、长时程（1小时以上）、超分辨（97nm分辨率）观测，清晰、真实地记录了细胞粘附和迁移的动力学现象，而不会干扰这一漫长、脆弱的生命过程；对高速摆动纤毛以当前最快的684Hz成像速率进行了长达60,000个时间点的连续超分辨观测，过程中无明显光漂白或细胞活性损伤；同时对摆动纤毛及纤毛内转运蛋白（IFT）进行了超快、超分辨双色成像，首次揭示了IFT在行进途中碰撞、重组、掉头等多种新行为；通过对与DNA结合的循环GMP-AMP合成酶（cGAS-DNA）与内质网（ER）进行双色、长时程、超分辨成像，观测到cGAS-DNA在保持与内质网持续接触过程中的定向运动、转向或扩散等行为，拓展了对膜性细胞器与无膜细胞器相互作用机制的认知；对HeLa 细胞分裂过程中的核仁磷酸蛋白（NPM1）、RNA聚合酶I亚基RPA49以及染色质（H2B）进行超长时程（12秒采集间隔，2.5小时以上）的三维超分辨活体成像，首次实现了对完整有丝分裂过程中核仁磷酸蛋白与RPA49两种结构形态变化的三维超分辨活体连续观测，揭示了细胞有丝分裂过程中核仁形成以及核仁磷酸蛋白、RPA49两种无膜亚细胞结构的相变、互作规律；以10Hz的全细胞体成像帧率对高尔基体进行了长达10,000时间点的连续拍摄，并实现了对完整细胞分裂过程内质网、溶酶体、线粒体等亚细胞结构的三色、高速（秒量级）、超长时程（小时量级，>1000个时间点）三维观测，深入探究了细胞有丝分裂过程中细胞器在子代细胞中的均匀分配机制。

近日，上述成果在《自然·生物技术》（Nature Biotechnology）期刊发表题为“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。《自然·生物技术》杂志以封面文章的形式对这一研究成果进行报道，同时发表了《研究简述》（Research Briefing）文章对其重点介绍。

清华大学自动化系博士后乔畅，中国科学院生物物理所正高级工程师李迪、助理研究员刘勇、张思微为该论文共同第一作者，清华大学自动化系教授戴琼海，中国科学院生物物理所研究员李栋和霍华德休斯医学研究所研究员詹妮弗·利平科特-施瓦茨（Jennifer Lippincott-Schwartz）为共同通讯作者。

该研究得到国家自然科学基金委、科技部、中国科学院、中国博士后科学基金、腾讯“科学探索奖”、清华大学“水木学者”计划的资助。