导读
以三维视角和亚细胞级分辨率观测动态生物过程，是研究复杂生命过程的重要需求。近期，清华大学生命科学学院李栋团队与自动化系戴琼海团队、复旦大学李子薇团队合作，开发了一种元学习驱动的反射式晶格光片虚拟结构光照明显微镜（Meta-rLLS-VSIM）结合虚拟结构光照明、镜面增强双视角探测与Bayesian双视角融合重建等多项技术创新，在不牺牲成像速度与光子代价的前提下，将传统晶格光片结构光照明显微镜的一维超分辨能力扩展到XYZ三个维度。并进一步将元学习策略与系统数据采集过程深度融合，为AI模型在实际生物成像实验中的快速自适应部署提供有效方案。
该研究成果以"Fast-adaptive super-resolution lattice light-sheet microscopy for rapid, long-term, near-isotropic subcellular imaging"为题发表于Nature Methods。清华大学生命科学院李栋教授、自动化系戴琼海院士为该论文共同通讯作者，清华大学自动化系博士后乔畅、复旦大学副研究员李子薇、中国科学院生物物理所博士后王宗发、博士生林煜桓、瑞士洛桑联邦理工学院博士后刘冲为该论文共同第一作者。此外，该工作也得到了华南农业大学王浩教授的重要支持和帮助。
研究背景
为了以三维视角观测动态生物过程，诺贝尔化学奖得主Eric Betzig发明了晶格光片显微镜（LLSM），相较传统宽场或共聚焦显微镜，显著降低了活体样本的光漂白和光毒性。晶格光片结构光照明显微镜（LLS-SIM）将LLSM与结构光照明（SIM）结合，在分辨率、成像速度与时程之间实现了理想平衡。然而，传统LLS-SIM采用单方向照明，导致空间分辨率各向异性，未超分辨方向易产生畸变，限制了对三维亚细胞动态的精准探测。近年来，以深度学习为代表的智能计算方法对光学显微镜发展产生变革性影响。通过光学成像系统与智能算法的联合优化，可在极大程度上突破光学系统设计的时空带宽固有局限，实现超高速、超分辨、超长时程活体荧光显微成像。
虚拟结构光照明实现横向各向同性超分辨重建
传统LLS-SIM通过两束光干涉在单一方向产生结构光照明，虽能提升一维分辨率，但由于激发物镜光轴固定，无法实现结构光图案旋转，导致空间分辨率各向异性（图1a）。针对这一局限，合作团队提出虚拟结构光照明方案，利用LLS-SIM模式采集数据，训练一维超分辨推理的深度神经网络（DNN）（图1b），再通过该网络生成任意方向的一维超分辨图像，最终以广义维纳滤波解卷积重建各向同性的超分辨体积数据（图1c）。在肌动蛋白微丝样本上的成像结果（图1d-l）显示，该方法在空域和频域均显著提升了横向分辨率，验证了虚拟结构光照明在突破LLS-SIM空间分辨率各向异性方面的有效性。
图1：虚拟结构光照明二维各向同性超分辨成像方法示意与效果展示
元学习驱动的模型快速自适应部署
针对不同生物样本形态多样且DNN表征能力有限的问题，现有深度学习超分辨方法往往需要为每种结构单独训练专用模型，不仅数据需求量大，而且训练耗时数小时至数天，难以满足日常多样化实验需求。为此，合作团队提出基于元学习的快速适应方案，将不同生物样本和信噪比条件下的超分辨重建任务视为独立子任务，通过现有数据训练通用元模型（图2a-d）。与传统有监督或预训练方法不同，元模型在参数空间中寻找能快速适配新任务的收敛点，使得在实际应用中仅需极少量新数据和少量梯度更新，即可迅速部署适应新样本的超分辨重建模型。
图2元学习驱动的模型快速自适应部署实现流程及效果展示
为充分发挥元模型的性能，研究团队对数据采集、预处理和元微调流程进行了系统简化，使所搭建的LLS-SIM系统具备元学习驱动的快速自适应部署能力。在实际实验中，用户仅需在软件界面选择3个细胞区域，后续的数据采集、LLS-SIM重建、数据增强及元微调过程均可自动完成。整个流程中，数据采集用时约2分钟，模型微调在单张Nvidia显卡上仅需30秒即可完成，峰值信噪比提升超过6 dB，所需数据量减少12倍，训练速度提升约720倍（图2c）。以网格蛋白小窝（CCP）和肌动蛋白微丝（F-actin）为例，评估结果表明，元模型仅需一次微调迭代即可显著去除伪影，并在30次迭代内快速收敛，显著提升对不同结构的超分辨重建能力。结合虚拟结构光照明方法，最终能够有效消除各向异性LLS-SIM图像中的重建伪影，清晰解析CCP分布与F-actin交织的微观结构细节。
Meta-rLLS-VSIM实现近各向同性超分辨成像
为突破虚拟结构光照明无法提升轴向分辨率的限制，合作团队提出Meta-rLLS-VSIM方案，结合镜面增强双视角探测，获取分辨率互补的双视角信息（图3a），并设计了融合多视角RL迭代与系统PSF先验的双循环融合网络（RL-DFN）（图3b），从物理本质上合理提升轴向分辨率。与以往基于自学习或Cycle-GAN的轴向提升方法相比，RL-DFN融合真实光学信息，能以更高保真度实现近各向同性超分辨重建（图3c、d）。基于此，团队搭建了完整的三维各向同性重建流程，包括背景抑制、去倾斜矫正、横向各向同性重建、双视角分离配准及RL-DFN融合，最终实现横向120 nm、轴向160 nm的近各向同性分辨率，体积分辨率较传统LLSM提升约15.4倍（横向提升2.3倍、轴向提升2.9倍）（图3e-g）。
图3 Meta-rLLS-VSIM重建原理及效果展示图
Meta-rLLS-VSIM实现快速五维超分辨活细胞成像
为了展示Meta-rLLS-VSIM在五维超分辨活细胞成像中的能力，合作团队对小鼠胚胎（图4a）、植物花粉管（图4b、c）和线虫胚胎（图4d-g）等大体积样本进行了长时程超分辨观测。凭借晶格光片照明的物理光学层析和近各向同性的三维超分辨特性，Meta-rLLS-VSIM成功揭示了花粉管顶端极性生长及线虫胚胎发育过程中质膜融合等生物过程。此外，团队还对完整的COS-7细胞进行了快速（每8秒拍摄一组三通道数据）、长时程（>800个时间点）、近各向同性的超分辨成像（图4h-m），精确地定量研究了不同细胞器在三维空间中的分布及其与细胞骨架的时空协同互作。高时空分辨率和长时程观测窗口使得团队发现了微管与溶酶体之间的“搭便车”现象，以及线粒体在溶酶体运动产生的机械力作用下分裂等新发现。
图4 Meta-rLLS-VSIM实现快速五维超分辨活细胞成像效果展示
应用与展望
Meta-rLLS-VSIM通过反射增强双视角晶格光片显微镜与元学习驱动的快速自适应部署模式的硬件升级，并结合虚拟结构光照明和RL双循环融合网络的人工智能算法创新，实现了软硬件协同优化，显著提升了成像性能。该技术为细胞生物学、神经科学等基础学科的发展提供了新的技术路径，未来有望帮助生命科学研究人员从更全面的多维视角发现、理解和探索丰富多彩的生物现象。
论文信息
