近年来，深度学习结构光照明显微镜技术在长时程超分辨活细胞成像中展现出巨大潜力，为揭示亚细胞结构的动态过程与相互作用提供了强大工具。然而，现有方法严重依赖大量高质量“真值”图像进行监督训练，这些数据在光敏感、快速变化的生命过程中极难获取，限制了该技术的普适性。此外，主流端到端神经网络往往忽视超分辨成像物理模型，导致在低信噪比条件下重建保真度与分辨率下降。

针对上述挑战，12月12日，清华大学生命学院李栋教授课题组、华中科技大学谭山教授课题组和复旦大学刘妍君教授课题组在《自然·方法》（Nature Methods）上联合发表题为“基于自监督重建的生物友好型高精度结构光超分辨显微成像”（Bio-friendly and high-precision super-resolution imaging through self-supervised reconstruction structured illumination microscopy）的长文（Article）。

该工作提出了自监督重建结构光照明显微术（SSR-SIM），创新性地将重建伪影的统计分析与结构光照明的物理先验深度融合，无需采集任何真值图像数据即可实现媲美有监督学习的高精度、高保真超分辨图像重建，从根本上摆脱了深度学习显微成像对于配对训练数据的依赖，并首次揭示了细胞间纳米管通讯、病毒与宿主细胞互作等光敏感和小概率生物学过程的动态变化。

图1.SSR-SIM学习框架及神经网络架构

研究团队首先系统分析了现有自监督算法在活细胞SIM成像中的失效原因。研究发现，SIM重建伪影具有长距离空间相关性，而活细胞快速运动导致时间间隔采样数据的信号一致性缺失，进而导致现有基于空间或时间采样的自监督方法产生高频信息复原不全、超分辨精度受限的结果。

为此，研究团队提出一种硬件层面的 “信号一致成像序列”解决方案。该方案通过精确控制照明序列，同时采集两组具有相同生物信号与照明模式、但噪声相互独立的原始图像，从而满足自监督学习有效性的核心假设（信号一致、噪声独立）。基于此，研究团队构建了全新的自监督重建损失函数，并从理论上证明，在该自监督框架下训练的模型能够实现与有监督模型相当的重建精度。

在网络设计方面，研究团队并未简单采用“黑箱”式端到端网络，而是率先开发了物理光学先验混合卷积与Transformer架构（PHCT）。该架构兼具局部特征建模的优势（卷积神经网络）与远程像素依赖关系建模的能力（Transformer模块），特别适用于大视场成像。其核心创新在于开发了物理先验引导的模式激活（PPA）模块，该模块将结构光调制的频率信息先验显式编码到网络中，显著增强了对高数值孔径下密集照明条纹的解调能力，从而能够更完整地恢复图像的高频超分辨信息。

在公开基准数据集上的系统评测表明，SSR-SIM在峰值信噪比（PSNR）、结构相似性（SSIM）等定量指标上均优于现有的非学习型、有监督及无监督学习SIM算法，且在不同荧光光子数条件下表现稳健。

该方法展现出卓越的生物友好性。通过钙离子荧光指示剂监测，证实SSR-SIM成像引起的细胞应激反应与阴性对照组相当，显著低于传统SIM，为实现长时程活细胞观测提供了保障。此外，该方法仅需极少训练数据（可低至5对原始图像），网络参数量小（最低仅0.33M），重建速度快（如处理512×512图像约17毫秒），可满足实时处理需求。集成的蒙特卡洛Dropout层还能提供模型不确定性估计，为用户评估重建结果可靠性提供依据。

图2.SSR-SIM成像常见亚细胞结构

综上，研究团队所提出的SSR-SIM技术将SIM技术固有的高速、低光毒性、多色兼容等优势，进一步拓展至更广泛、更敏感的活体生物样本和动态过程研究中。该技术有望成为细胞生物学、病毒学、神经科学等领域探索复杂生命过程的常规利器。这项研究也为计算显微成像领域的发展提供了新范式，即通过算法与物理的紧密结合，以更智能、更友好的方式揭开生命微观世界的神秘面纱。

华中科技大学人工智能与自动化学院2021级博士生刘嘉浩和刘涛、清华大学生命学院膜生物学全国重点实验室助理研究员董学、中国科学院生物物理研究所博士后陆怀德、复旦大学生物医学研究院博士后刘伟为论文共同第一作者，李栋、谭山、刘妍君为论文共同通讯作者。研究得到国家自然科学基金委、科技部以及新基石基金的资助。