NBT(IF=68) | 接连取得进展!清华大学戴琼海等合作开发实时高灵敏荧光成像技术
2022/9/27 15:28:04 阅读:277 发布者:
生物体的正常运作依赖于一系列时空协调的细胞和亚细胞活动。观察和记录这些现象被认为是了解它们的第一步。
荧光显微镜与不断增长的荧光指示剂调色板相结合,为生物学家提供了一种实用工具,该工具具有良好的分子特异性和高时空分辨率。然而,荧光显微镜的一个基本挑战是光子检测不可避免的随机性引起的光子散粒噪声。噪声会增加测量不确定性并限制成像分辨率、速度和灵敏度。
2022年9月26日,清华大学戴琼海、方璐和清华大学深圳国际研究生院王好谦团队合作在Nature Biotechnology(IF=68)杂志在线发表题为“Real-time denoising enables high-sensitivity fluorescence time-lapse imaging beyond the shot-noise limit”的研究论文。为了实现超出散粒噪声限制的高灵敏度荧光成像,该研究提出一种用于实时噪声抑制的自监督深度学习方法——DeepCAD-RT。基于该团队之前开发的DeepCAD技术的框架,将网络参数数量减少了 94%,内存消耗减少了 27 倍,处理时间减少了 20 倍,从而可以在双光子显微镜上进行实时处理。可以使用比标准成像方法少十倍的光子获得高成像信噪比。
研究中还展示了 DeepCAD-RT 在一系列光子限制实验中的实用性,包括小鼠、斑马鱼幼虫和果蝇的体内钙成像、急性脑损伤后中性粒细胞的三维(3D) 迁移记录和 3D 成像皮质 ATP 释放的动力学。总之,DeepCAD-RT 将以最小的光子预算促进生物动力学的形态和功能检查。
2022年9月15日,中山大学林浩添教授、清华大学戴琼海教授和徐枫教授合作在Nature Medicine杂志在线发表题为“A digital mask to safeguard patient privacy”的研究论文,为了最大限度地保护个人面部敏感信息,基于 3D 重建和深度学习算法,该研究开发了一种名为“数字面罩 (Digital Mask, DM)”的技术,能够不可逆地擦除可识别特征,同时保留诊断所需的疾病相关特征。这项技术创新性解决了患者眼面部的个人敏感信息保护和基于眼部图像的疾病诊断需求的矛盾,加强患者个人敏感信息保护,推进数字医学高质量发展(点击阅读)。
另外,2022年6月29日,清华大学戴琼海及吴嘉敏共同通讯在Nature Protocols 在线发表题为“A practical guide to scanning light-field microscopy with digital adaptive optics”的研究论文,该研究提出了一个分步方案,用于通过使用现成的镜头和设备以低成本将多色 sLFM 的硬件和软件实现作为普通宽视场荧光显微镜的附加组件。该过程可以很容易地应用于其他 LFM 变体,这在某些实验环境中可能是有利的。由于 sLFM 对高质量数据的算法后处理的强烈依赖,该方案描述了用于校正和性能优化的各种人工制品和相应的参数。为了增加对系统未对准和器件制造差异的容限,该研究描述了一种一步校准方法,可实现高达衍射极限的稳健成像性能。该研究提供了一个开源图形用户界面,用于硬件同步和多视图图像的实时操作。具有光学和电子学基础知识的整个过程,包括光学设置、软件安装、系统校准和 3D 重建,可在 3-4 d 内完成。
2022年3月28日,UCSF的Lani F. Wu,Steven J. Altschuler及清华大学戴琼海(共同一作为鲍峰和Yue Deng)共同通讯在Nature Biotechnology 在线发表题为“Integrative spatial analysis of cell morphologies and transcriptional states with MUSE”的研究论文,该研究提出了多模式结构化嵌入 (MUSE),这是一种通过整合形态学和空间分辨的转录数据来表征细胞和组织区域的方法。该研究证明 MUSE 可以发现任一模态遗漏的组织亚群,并补偿特定于模态的噪声。该研究将 MUSE 应用于包含空间转录组学(seqFISH+、STARmap 或 Visium)和成像模式的各种数据集。MUSE 确定了健康大脑皮层和肠道组织中具有生物学意义的组织亚群和定型空间模式。在患病组织中,MUSE 揭示了与肿瘤区域接近的基因生物标志物以及阿尔茨海默病脑区淀粉样前体蛋白加工的异质性。MUSE 能够整合多模态数据,从而深入了解复杂生物组织中细胞的状态、功能和组织。
在荧光显微镜的挑战中,由于光子预算有限而导致的成像信噪比 (signal-to-noise ratio, SNR) 差处于中心位置。这种光子受限挑战的原因是多方面的:首先,荧光指示剂的低光子产率及其在标记细胞中的低浓度导致源处缺少光子;其次,虽然使用更高的激发功率是增加荧光光子的直接方法,但生命系统太脆弱,无法承受高激发剂量。大量实验表明,光照诱导的光漂白、光毒性和组织加热会干扰关键的细胞过程,包括细胞增殖、迁移、囊泡释放、神经元放电等;第三,记录快速的生物过程需要高成像速度,而较短的停留时间进一步加剧了光子的短缺;第四,光子的量子特性使得光学测量的随机性(散粒噪声)不可避免。光电传感器检测到的强度遵循使用精确光子计数参数化的泊松分布。在荧光成像中,以光子散粒噪声为主的检测噪声加剧了测量不确定性并阻碍了底层结构的可视化,可能会改变随后的形态和功能解释。为了捕获足够的光子以获得令人满意的成像灵敏度,研究人员必须牺牲成像速度、分辨率甚至样本健康。从设计高性能荧光团到升级激发和检测物理以及开发数据驱动的去噪算法,已投入全面努力来增加荧光显微镜的光子预算。该团队之前开发了 DeepCAD技术,这是一种用于钙成像数据的深度自监督去噪方法,可有效抑制检测噪声并将成像 SNR 提高十倍以上,而无需任何高 SNR 观察。单个低信噪比的钙成像序列可以直接用作训练数据来训练去噪卷积神经网络(convolutional neural network, CNN)。随着方法和应用的进步,这项研究提出了DeepCAD-RT技术,这是一种用于荧光延时成像的多功能自监督去噪方法,具有实时处理速度和改进的性能。DeepCAD-RT 继承了将相邻帧拆分为输入和相应目标以训练CNN 的自我监督概念。
通过修剪网络架构中的冗余特征,研究人员构建了一个轻量级网络,并将模型参数压缩了 94%,从而减少了 85% 的处理时间和 70% 的内存消耗。同时,将训练数据增加了 12 倍,以减轻数据依赖性,使该方法在少量数据下仍然易于处理。研究结果表明,这种将模型压缩和数据增强相结合的策略消除了过度拟合,并使训练过程稳定且易于管理。最后,研究人员优化了 DeepCAD-RT 的硬件,实现了内存消耗降低 27 倍、推理速度提高 20 倍的整体提升,最终支持与显微镜采集系统结合后的实时图像去噪。
通过在一系列光子限制成像实验中,展示了 DeepCAD-RT 的能力和通用性,包括对各种模型生物(如小鼠、斑马鱼和苍蝇)中的钙瞬变进行成像,并将该方法用于观察急性脑损伤后中性粒细胞的迁移和监测皮质神经递质使用最近开发的基因编码ATP 传感器的动力学。总的来说,该研究提出了一种通用的方法来对荧光图像进行快速处理,该方法可以与显微镜采集系统结合以实现实时去噪。这种方法基于深度自监督学习,原始的低信噪比数据可以直接用于训练卷积网络,在样本快速动态且难以捕获ground-truth数据的功能成像中有特别的优势。这项研究展示了广泛的实验,包括小鼠、斑马鱼和苍蝇的钙成像、细胞迁移观察和新的基因编码ATP 传感器的成像,涵盖 2D 单平面成像和 3D 体积成像。定性和定量评估表明,这种方法可以显著增强荧光延时成像数据,并允许对超出散粒噪声限制的生物动力学进行高灵敏度成像。
参考消息:
https://www.nature.com/articles/s41587-022-01450-8
转自:“iNature微信公众号
如有侵权,请联系本站删除!