光學顯微成像技術的發展為人類打開了認識微觀世界的大門，也成為了當今細胞生物學、發育生物學、神經科學等生命科學領域的重要研究工具。長期以來，活體顯微成像所追逐的目标是以對生物樣本最低的侵入性來擷取最多的樣本時空資訊。
但現有超分辨顯微成像技術在提升空間分辨率的同時，往往需要犧牲其他對于解析生命過程同樣重要的成像名額，如速度、時程或視野，無法滿足對高動态、光敏感、長周期生命過程的觀測需求。
本期中國科學院生物實體研究所李棟課題組及納析科技核心技術研發團隊，聯合清華大學自動化系戴瓊海課題組、美國霍華德休斯醫學研究所（HHMI）Jennifer Lippincott-Schwartz博士，針對以上技術與應用瓶頸，提出了一套合理化深度學習（rationalized deep learning，rDL）顯微成像技術架構，将光學成像模型及實體先驗與神經網絡結構設計相融合，合理化網絡訓練、預測過程，進而實作了高性能、高保真的顯微圖像去噪與超分辨重建。
Rationalized deep learning super-resolution microscopy for sustained live imaging of rapid subcellular processes
封面設計師：Judy
學術支援：Wink
連結：
https://www.nature.com/articles/s41587-022-01471-3
摘要：
The goal when imaging bioprocesses with optical microscopy is to acquire the most spatiotemporal information with the least invasiveness. Deep neural networks have substantially improved optical microscopy, including image super-resolution and restoration, but still have substantial potential for artifacts. In this study, we developed rationalized deep learning (rDL) for structured illumination microscopy and lattice light sheet microscopy (LLSM) by incorporating prior knowledge of illumination patterns and, thereby, rationally guiding the network to denoise raw images. Here we demonstrate that rDL structured illumination microscopy eliminates spectral bias-induced resolution degradation and reduces model uncertainty by five-fold, improving the super-resolution information by more than ten-fold over other computational approaches. Moreover, rDL applied to LLSM enables self-supervised training by using the spatial or temporal continuity of noisy data itself, yielding results similar to those of supervised methods. We demonstrate the utility of rDL by imaging the rapid kinetics of motile cilia, nucleolar protein condensation during light-sensitive mitosis and long-term interactions between membranous and membrane-less organelles.
二維/三維結構光照明顯微鏡（rDL SIM）與晶格光片顯微鏡（rDL LLSM）共同構成的合理化深度學習超分辨顯微成像技術（rDL-SRM）充分利用了光學成像的實體模型和相關先驗資訊來建構深度神經網絡架構、啟發神經網絡的訓練與推理政策，進而實作了僅憑深度學習算法或成像硬體改進無法完成的成像性能提升，是人工智能與光學顯微成像技術交叉創新的典型成功範例，也是超分辨活體顯微成像領域又一突破性進展，它的出現将為細胞生物學、發育生物學等領域的研究創造更多可能性。
此次封面通過三維模組化來呈現研究内容。重點突出“通過建構融合結構光照明先驗資訊的神經網絡模型，實作性能更好的活體超分辨率顯微成像”，位于背景中模糊的細胞結構被照到後通過兩個透鏡清晰的呈現出來，寓意超分辨率成像。透鏡上的條紋就是結構光，光線周圍的節點暗示神經網絡，背景中的神經元和神經元連結示意這是一種人工智能方法。
本期封面簡潔大氣，主體突出，模型細緻入微，充分的展現了研究内容。配色科技感十足，優秀前沿的研究内容與高顔值封面相輔相成，在國際期刊的舞台上大放異彩。