人工智能光環加持讓傳統顯微鏡更為強大

機器學習幫助顯微鏡更好地觀察、更快地工作并處理更多數據

來源：歐洲分子生物學實驗室

深度學習專家和顯微鏡專家之間的合作通過使用 AI 和使用光片顯微鏡對其進行地面實測，從而顯著改進了數據密集型光場顯微鏡方法。結果是生物學家可以近乎實時地使用光場顯微鏡而不是幾天或幾周，并且生物學家使用這種顯微鏡來處理更多需要最詳細觀察的事情的能力得到了擴展。

為了觀察魚腦中的快速神經元信號，科學家們開始使用一種稱為光場顯微鏡的技術，這使得在 3D 中對如此快速的生物過程進行成像成為可能。但圖像往往質量欠佳，大量數據需要數小時或數天才能轉換為 3D 卷和電影。

現在，EMBL 科學家將人工智能 (AI) 算法與兩種尖端顯微鏡技術相結合——這一進步將圖像處理時間從幾天縮短到幾秒鐘，同時確保生成的圖像清晰準確。研究結果發表在《自然方法》上。

“最終，我們能夠在這種方法中‘兩全其美’，”該論文的兩位主要作者之一、現在慕尼黑工業大學的博士生 Nils Wagner 說。“人工智能使我們能夠結合不同的顯微鏡技術，這樣我們就可以盡可能快地成像，并接近光片顯微鏡的圖像分辨率。”

盡管光片顯微鏡和光場顯微鏡聽起來很相似，但這些技術具有不同的優勢和挑戰。光場顯微鏡捕捉大型 3D 圖像，使研究人員能夠以非常高的速度跟蹤和測量非常精細的運動，例如魚幼蟲的跳動心臟。但這種技術會產生大量數據，可能需要數天的時間來處理，而且最終的圖像通常缺乏分辨率。

光片顯微鏡一次可以定位在給定樣本的單個 2D 平面上，因此研究人員可以以更高分辨率對樣本進行成像。與光場顯微鏡相比，光片顯微鏡產生的圖像處理速度更快，但數據并不全面，因為它們一次只能從單個 2D 平面捕獲信息。

為了利用每種技術的優勢，EMBL 研究人員開發了一種方法，該方法使用光場顯微鏡對大型 3D 樣本進行成像，并使用光片顯微鏡來訓練 AI 算法，然后創建樣本的準確 3D 圖片。

“如果您構建生成圖像的算法，您需要檢查這些算法是否構建了正確的圖像，”EMBL 小組負責人 Anna Kreshuk 解釋說，他的團隊為該項目帶來了機器學習專業知識。安娜說，在這項新研究中，研究人員使用光片顯微鏡來確保人工智能算法正常工作。“這使我們的研究從過去的研究中脫穎而出。”

EMBL 小組負責人羅伯特·普雷維德爾 (Robert Prevedel) 貢獻了新型混合顯微鏡平臺，他指出，構建更好的顯微鏡的真正瓶頸通常不是光學技術，而是計算。這就是為什么，早在 2018 年，他和安娜決定聯手。“對于想要研究大腦如何計算的人來說，我們的方法將非常關鍵。我們的方法可以實時成像魚幼蟲的整個大腦，”羅伯特說。

他和安娜說，這種方法也有可能被修改以適用于不同類型的顯微鏡，最終讓生物學家能夠觀察數十種不同的標本，并且看到更多、更快的東西。例如，它可以幫助找到參與心臟發育的基因，或者可以同時測量數千個神經元的活動。

接下來，研究人員計劃探索該方法是否可以應用于更大的物種，包括哺乳動物。