光学显微成像技术的发展为人类打开了认识微观世界的大门，也成为了当今细胞生物学、发育生物学、神经科学等生命科学领域的重要研究工具。长期以来，活体显微成像所追逐的目标是以对生物样本最低的侵入性来获取最多的样本时空信息。
但现有超分辨显微成像技术在提升空间分辨率的同时，往往需要牺牲其他对于解析生命过程同样重要的成像指标，如速度、时程或视野，无法满足对高动态、光敏感、长周期生命过程的观测需求。
本期中国科学院生物物理研究所李栋课题组及纳析科技核心技术研发团队，联合清华大学自动化系戴琼海课题组、美国霍华德休斯医学研究所（HHMI）Jennifer Lippincott-Schwartz博士，针对以上技术与应用瓶颈，提出了一套合理化深度学习（rationalized deep learning，rDL）显微成像技术框架，将光学成像模型及物理先验与神经网络结构设计相融合，合理化网络训练、预测过程，从而实现了高性能、高保真的显微图像去噪与超分辨重建。
Rationalized deep learning super-resolution microscopy for sustained live imaging of rapid subcellular processes
封面设计师：Judy
学术支持：Wink
链接：
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.
二维/三维结构光照明显微镜（rDL SIM）与晶格光片显微镜（rDL LLSM）共同构成的合理化深度学习超分辨显微成像技术（rDL-SRM）充分利用了光学成像的物理模型和相关先验信息来构建深度神经网络架构、启发神经网络的训练与推理策略，从而实现了仅凭深度学习算法或成像硬件改进无法完成的成像性能提升，是人工智能与光学显微成像技术交叉创新的典型成功范例，也是超分辨活体显微成像领域又一突破性进展，它的出现将为细胞生物学、发育生物学等领域的研究创造更多可能性。
此次封面通过三维建模来呈现研究内容。重点突出“通过构建融合结构光照明先验信息的神经网络模型，实现性能更好的活体超分辨率显微成像”，位于背景中模糊的细胞结构被照到后通过两个透镜清晰的呈现出来，寓意超分辨率成像。透镜上的条纹就是结构光，光线周围的节点暗示神经网络，背景中的神经元和神经元链接示意这是一种人工智能方法。
本期封面简洁大气，主体突出，模型细致入微，充分的体现了研究内容。配色科技感十足，优秀前沿的研究内容与高颜值封面相辅相成，在国际期刊的舞台上大放异彩。