【化工儀器網 科技前沿】

　　圖1：基于DFCAN和DFGAN結構光超分辨重建活細胞內的線粒體內膜結構(綠色)和內質網(紫紅色)，捕捉到線粒體在內質網與線粒體接觸位點線粒體融合的動態過程
 

　　在國家自然科學基金重大研究計劃“細胞器互作網絡及其功能研究”(批準號：91754202)資助下，中國科學院生物物理研究所李棟研究員課題組與清華大學戴瓊海教授合作，從多個維度綜合分析了現有超分辨卷積神經網絡模型對于顯微圖像的超分辨性能，并將基于DFCAN深度學習算法的結構光超分辨顯微鏡系統(DFCAN-SIM)運用于觀測線粒體內脊、線粒體擬核、內質網、微絲骨架等細胞器的動態互作新行為。相關成果以“超分辨卷積神經網絡模型對于顯微圖像的超分辨性能綜合分析與方法發展(Evaluation and development of deep neural networks for image super-resolution in optical microscopy)”為題，于2021年1月21日在《Nature Methods》(《自然 方法學》)在線發表。
 

　　傳統的細胞生物學研究大多以靜態觀察為主，關注細胞器獨立執行功能時的結構和分子機制。近年來，隨著生物學研究方法的發展，特別是熒光顯微成像技術的進步，越來越多的細胞生物學研究逐步揭示功能各異的細胞器之間通過不同細胞器間膜接觸(membrane contact)協同執行生命活動的新機制，而且細胞器互作的動態變化對于維持細胞器的穩態平衡、調控其動態變化起著重要的作用。高分辨率條件下實時記錄并繪制細胞器動態互作是精確揭示細胞器互作功能及其分子機制的基礎。這對目前的顯微成像技術提出了更高的要求，亟需發展適于對活細胞進行多色高速超分辨成像的系統來推進細胞器互作領域的研究。
 

　　李棟課題組在以往超分辨顯微系統研制的基礎上，進一步發展出多模態結構光照明超分辨顯微鏡系統(Multimodality Structured Illumination Microscopy，Multi-SIM)，并與清華大學戴瓊海課題組合作采集了可用于深度學習模型訓練的高質量公開數據集BioSR，并提出測評矩陣(assessmentmatrix)方法，從多個維度綜合分析了現有超分辨卷積神經網絡模型對于顯微圖像的超分辨性能，在此基礎上，課題組深度挖掘圖像超分辨過程中的頻域特征，提出了傅立葉域注意力卷積神經網絡(Deep Fourier Channel Attention Network, DFCAN)。相較于其它超分辨卷積神經網絡，DFCAN可以在不同成像條件下實現優的顯微圖像超分辨預測和結構光超分辨圖像重建效果，依據測評矩陣結果，其優越區域可以拓展至中、高信噪比成像條件，可在實際生物成像實驗中替代現有超分辨成像方法，大大提升了深度學習超分辨成像方法的性能。
 

　　李棟課題組將基于DFCAN深度學習算法的結構光超分辨顯微鏡系統(DFCAN-SIM)成功運用于觀測線粒體內脊、線粒體擬核、內質網等細胞器的動態互作新行為。例如：在低激發功率的成像條件下對COS-7細胞中的線粒體內膜和線粒體擬核進行活細胞雙色成像，成像時程(>1000張超分辨圖像)達到傳統活細胞超分辨成像方法的10倍以上，并成功觀察到伴隨著線粒體內脊形變的擬核分離和聚合現象，提示在動物細胞內，線粒體內脊的形變可能調控著線粒體擬核的分布和形態。此外，他們還觀察到在活細胞中環形線粒體會在細胞質流的推動下進行雙向旋轉，暗示動物細胞一定程度上，也有與植物細胞類似的渦旋細胞質流調節胞內穩態。這些新發現表明DFCAN-SIM能夠在更低信噪比成像條件下獲得與傳統超分辨顯微鏡技術媲美的成像效果，從而擴大了傳統超分辨成像技術的適用范圍，并為超分辨光學顯微成像技術的進一步發展開拓新的技術路徑。