Nat Methods | 李栋/戴琼海合作开发元学习驱动的超分辨光片智能显微成像技术

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。在这一新兴领域，李栋团队与戴琼海团队合作，已完成一系列代表性的前沿进展：

以上技术降低了前沿超分辨显微成像技术的使用门槛，并提升了超分辨成像灵敏度、速度、活体成像时程等关键性能指标，揭示了诸多其他技术无法观测到的生命现象。

作为上述智能显微成像技术在三维超分辨成像模态中的重要扩充，2025年4月29日，清华大学生命科学院李栋团队与自动化系戴琼海团队合作在Nature Methods杂志上发表题为“Fast-adaptive super-resolution lattice light-sheet microscopy for rapid, long-term, near-isotropic subcellular imaging”的研究论文。

该研究提出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）及相应的各向同性超分辨重建框架，通过虚拟结构光照明、镜面增强双视角探测、Bayesian双视角融合重建等技术创新，在不牺牲成像速度、光子代价等核心成像指标的前提下，将LLS-SIM 的一维超分辨能力扩展至XYZ三个维度，实现横向 120 nm、轴向 160 nm 的近各向同性成像分辨率。特别地，该工作将元学习策略与系统数据采集过程深度融合，仅需3分钟就可以完成从训练数据采集到深度学习模型的自适应部署过程，让AI工具在实际生物实验中的应用达到近乎“零门槛”。合作团队在植物花粉管、小鼠胚胎、秀丽隐杆线虫胚胎及有丝分裂或分裂间期的其他真核生物等多种标本上进行了实验，验证了 Meta-LLS-VSIM 在快速、长时程、多色三维超分辨成像任务中的成像能力。

LLS-SIM通过两束光干涉在单一方向产生结构光片照明图案（图1a），从而提升单一维度空间分辨率。但受限于激发物镜光轴取向，其产生的结构光图案无法像标准SIM一样旋转，导致空间分辨率各向异性。

针对此问题，合作团队提出一种虚拟结构光照明方案，即首先利用 LLS-SIM 结构光照明模式采集高低分辨率数据对，训练用于一维超分辨推理的深度神经网络（DNN）模型（图1b），再应用训练好的 DNN生成其他方向的各向异性一维超分辨图像。最后类似标准 SIM 重建，将不同取向的多个一维超分辨图像通过广义维纳滤波进行解卷积重建，获得横向各向同性超分辨体栈（图1c）。图1d-l展示了不同方法对于肌动蛋白微丝的成像效果对比图，验证了所提出虚拟结构光照明成像在空域和频域上的显著分辨率提升效果。

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

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

为了充分发挥元模型的性能，研究团队通过简化自动数据采集、数据预处理和元微调流程，为所搭建的LLS-SIM系统赋予了元学习驱动的快速自适应部署能力。在实际应用中，用户仅需在控制软件窗口中选择3个细胞区域，后续数据采集和所有计算流程（包括LLS-SIM重建、数据增强和元微调）将全部由系统自动执行。整个数据采集过程大约为2分钟，而模型微调过程（重建图像峰值信噪比提升6dB以上）使用单张显卡仅需30秒以内，所需数据量比标准有监督学习减少12倍，速度快720倍（如图2c与图3所示）。

图3 元学习驱动的模型快速自适应部署过程视频展示

合作团队使用网格蛋白小窝（CCP）和肌动蛋白微丝（F-actin）两种新结构对元模型微调效果进行评估（如图2e、f所示），发现初始元模型仅需一次微调迭代就可去除大部分伪影，损失函数在30次迭代内即可完成收敛，大幅提升对于两种结构的超分辨重建能力。结合虚拟结构光照明，所提出方法可消除各向异性LLS-SIM图像的重建伪影，清晰地分辨CCP分布位置与F-actin密集交织的结构细节。

虚拟结构光照明可有效将一维超分辨能力扩展至二维平面，但无法提升轴向分辨率。近年，若干基于深度学习的方法通过自学习（Self-learning）或循环生成对抗网络（Cycle-GAN）在无真值条件下通过数据驱动的方法直接提升轴向分辨率。但通常轴向分辨率比横向差三倍以上，导致这些方法存在严重欠定性，难以保证重建正确性。

图4 Meta-rLLS-VSIM重建原理及效果展示图

为更合理地提升Meta-LLS-VSIM的轴向分辨率，合作团队采用镜面增强双视角探测方案同时获得分辨率互补的两个视角信息（图4a），并设计融合算法——Richardson-Lucy双循环融合网络（RL-DFN），将多视角RL迭代和系统点扩散函数（PSF）先验融入神经网络架构和损失函数设计（图 4b）。双视角信息的有效融合从物理本质上使轴向分辨率提升更为合理，相比于其他数据驱动算法，RL-DFN能够以各向同性分辨率更精确地恢复出样本细节（图 4c、d）。

集成以上技术创新，合作团队构建了完整三维各向同性重建框架，包括荧光背景抑制、图像体栈去倾斜、横向各向同性重建、双视角分离与配准，以及RL-DFN双视图融合，最终实现横向120nm分辨率、轴向160nm的近各向同性成像分辨率（图4e-g），体积分辨率相比传统LLSM提升15.4倍（横向2.3倍、轴向2.9倍）。

为展示Meta-rLLS-VSIM的快速五维（波长通道-XYZ三维空间-时间）超分辨活细胞成像能力，合作团队对小鼠胚胎（图5a）、植物花粉管（图5b、c）、线虫胚胎（图5d-g）等大体积厚样本进行了长时程超分辨观测。兼具晶格光片照明的物理光学层析与近各向同性的三维超分辨能力，Meta-rLLS-VSIM清晰地揭示了花粉管顶端极性生长、秀丽隐杆线虫胚胎发育过程中质膜融合等生物过程。

图5 Meta-rLLS-VSIM实现快速五维超分辨活细胞成像效果展示

进一步地，合作团队利用Meta-rLLS-VSIM对完整COS-7细胞进行了快速（每8秒拍摄一组三通道完整细胞数据）、长时程（>800个时间点）、近各向同性超分辨成像（图5h-m，图6），对不同细胞器在三维空间中的分布模式及其与细胞骨架的时空协同互作机制进行了精确的定量研究。得益于高时空分辨率与长周期的观测窗口，合作团队观测到微管与溶酶体之间“搭便车”、线粒体在溶酶体运动产生的机械力作用下分裂等新现象，验证了Meta-rLLS-VSIM发现新生物现象与机制的潜力。

图6 Meta-rLLS-VSIM与传统LLSM成像效果对比

综上所述，Meta-rLLS-VSIM通过反射增强双视角晶格光片显微镜与元学习快速自适应部署模式的成像系统硬件升级，与虚拟结构光照明和RL双循环融合网络的人工智能算法创新，展现了软硬件协同优化带来的成像性能巨大提升。Meta-rLLS-VSIM的出现为细胞生物学、神经科学等基础学科发展提供了新的技术路径，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、探究丰富多彩的生物现象。

值得一提的是，经过近三年的同步商业化开发，Meta-rLLS-VSIM技术已转化落地在北京纳析光电科技有限公司的超分辨光片显微镜Nanoslice系统中（https://www.naxi-tech.com/NanoSlice）。

结合该公司推出的显微图像智能处理分析软件 DeepInsight（https://www.naxi-tech.com/deepinsight），形成了从五维（xyz-颜色-时间）光片图像采集、图像超分辨重建与增强、再到数据分析与绘图的全流程解决方案，为生命科学研究提供了一站式的高通量、高精度成像分析工具。

[1] Qiao, C. et al. Evaluation and development of deep neural networks for image super-resolution in optical microscopy. Nature Methods 18, 194-202 (2021).

[2] Qiao, C. et al. Rationalized deep learning super-resolution microscopy for sustained live imaging of rapid subcellular processes. Nature Biotechnology 41, 367-377 (2023).

[3] Qiao, C. et al. Zero-shot learning enables instant denoising and super-resolution in optical fluorescence microscopy. Nature Communications 15, 4180 (2024).

[4] Qiao, C. et al. A neural network for long-term super-resolution imaging of live cells with reliable confidence quantification. Nature Biotechnology (2025).