通过无监督算法展开实现的高速盲结构光照明显微镜

更清晰的细胞内部动态图像

现代生物学常常依赖于观察活细胞的动态，但许多关键结构对于常规显微镜来说既太小又太快，难以清晰捕捉。本文提出了一种将模糊、快速采集的图像实时转化为清晰超高细节视频的新方法，无需完美调校的硬件。这种称为无展开盲结构化照明显微镜（UBSIM）的方法，有望让先进的高速细胞成像在普通生物实验室中更易实现。

为什么常规显微镜不够用

传统光学显微镜受衍射限制，这是一种光的基本特性，会将小于数百纳米的细节模糊掉。结构化照明显微镜（SIM）通过将有规律的光照射到样品上，并利用产生的干涉来提取额外细节，能够大致将分辨率提高一倍。然而，经典SIM要求精确已知的照明图案和细致的校准，这既昂贵又易受损。盲SIM是一种较新的变体，放宽了这些硬件要求，允许使用随机图案，并从数据中同时求解样品和照明。但其代价是求解过程缓慢且迭代，需要每帧数秒到数分钟——对于活细胞的实时成像远远不够快。

将物理模型与神经网络结合

作者通过将盲SIM重构重新设计为物理模型与神经网络的混合体来弥合这一鸿沟。他们“展开”原始的迭代算法——将每次迭代视为神经网络中的一层，形成一系列更新模块。在每个模块内，该方法评估当前对样品和照明的猜测在多大程度上能解释测得的图像，计算梯度（改进方向），然后将这些信息输入到一个紧凑的卷积神经网络中。该网络学习如何做出更聪明的修正步骤，类似于为原始算法自动调优的加速器。关键在于，UBSIM以无监督方式训练：它不需要完美的示例图像作为真实标签，只需显微成像的物理模型。这减少了网络“幻觉化”出看似合理但不正确结构的风险。

快速、准确且更少猜测

为测试UBSIM，团队首先使用了已知真实结构的模拟显微图像。结果表明，UBSIM恢复的分辨率约为普通广视野图像的两倍，与传统盲SIM相当，但运行速度快了两个到三个数量级——一张256×256的图像可以在约10毫秒内重建，而不是几秒钟。包括误差、相似性和信噪比在内的图像质量指标，相较于常规图像都有显著提升。面对不熟悉的数据时，UBSIM也比流行的深度学习超分辨网络更可靠。标准网络如果只在一种结构上训练，往往会把该结构的特征强加到新的不同样本上——引入细微但误导性的伪影——而UBSIM因依托成像物理而非仅仅依赖视觉样本，保持了一致的真实度。

观察细胞骨架与膜的动态

研究者随后转向真实生物样品。使用一种将随机散斑图案投射到活细胞上的灵活装置，他们成像了肌动蛋白纤维——细胞内部的“支架”蛋白——以及参与蛋白质生成和细胞应激响应的分支膜网络内质网（ER）。在UBSIM下，普通图像中呈现为模糊带状的肌动蛋白纤维变成了清晰分离的细丝，分辨率从约300纳米提高到约150纳米。更引人注目的是，UBSIM实现了视频帧率的超分辨：通过以高达100帧/秒捕获原始数据并以高达50超分辨帧/秒重建，团队能够实时观察ER小管的生长、塌缩和重组。这些发生在几分之一秒到几秒内的动力学通常难以用足够细节可视化。

这对未来细胞成像的意义

对非专业读者来说，关键结论是UBSIM使得以超越普通光学显微镜极限的清晰度实时观察微小细胞结构变得更为可行——并且不需要完美的硬件校准或庞大的训练数据集。通过将物理模型的可靠性与现代神经网络的速度结合，这种方法可以将一堆有噪声的结构化图像快速转化为可信的超清视频，足以用于常规实验。随着该方法进一步改进并与更好的照明策略结合，它可帮助研究人员探究内质网如何应对应激、细胞骨架在运动或分裂时如何重组，以及疾病如何在纳米尺度上改变细胞结构等问题。

引用: Burns, Z., Zhao, J., Sahan, A.Z. et al. High-speed blind structured illumination microscopy via unsupervised algorithm unrolling. Nat Commun 17, 1967 (2026). https://doi.org/10.1038/s41467-026-68693-w

关键词: 超分辨显微镜, 结构化照明, 深度学习, 活细胞成像, 内质网动力学