STAR Protocols︱华中科技大学费鹏团队发表用深度学习光场荧光显微镜技术实现活体样本的超快速高分辨三维成像的实验方案

来源︱“逻辑神经科学”姊妹号“岚翰生命科学”

撰文︱朱兰馨，易成强责编︱王思珍，方以一编辑︱杨彬薇

在生命科学研究中, 以毫秒级响应速度，对高度动态的生物学过程，例如心脏跳动、血液流动、神经活动等的显微观测，对于神经科学、病理学等领域的研究具有重大意义。这些过程常在单细胞级的三维空间尺度和短至毫秒级的时间尺度发生变化。因此，如何快速且精准地捕捉在三维空间中动态变化的时空信息，进而揭示信号的时空演变规律和背后的生物学机制是一项极具意义的挑战。然而目前主流的三维荧光显微成像技术，因受激发射的有效光子数限制，如扫描共聚焦、光片显微镜的一类的高分辨扫描显微镜体成像速度通常被限制在秒至分钟级；而常规光场显微镜通常需要牺牲空间分辨率来换取高时间分辨率，均难以观测上述三维动态生物学过程。

2023年2月3日，华中科技大学费鹏团队在Cell子刊STAR Protocols杂志在线发表了题为“A practical guide to deep-learning light-field microscopy for 3D imaging of biological dynamics”的实验方案文章。该文章提供了深度学习增强光场显微镜的实施步骤，其中包括简单易实施的光场显微镜搭建步骤和用户友好的软件包及其详细的操作说明。通过结合高速的光场荧光显微镜和基于深度学习的光场重建算法，能够以单细胞分辨率对毫秒级动态生物学过程进行百赫兹帧率的三维成像。由于该方法允许实时记录和重建三维动态信号，因此它可作为行为相关的神经活动以及模型生物的心血管血液动力学等多种生物学应用中有价值的工具。基于该方法，费鹏团队已发表多篇研究论文，包括Nature Methods、Sensors and Actuators: B. Chemical、PLOS Computational Biology等[1-4]。

具体而言，该文章首先提供了光场显微镜（LFM）的详细搭建步骤，用于高速采集三维信号。然后详细介绍了基于深度学习的光场三维重建算法的数据处理和模型训练流程，用于从二维光场图像中实时重建三维信号。本方案以线虫和斑马鱼这两类典型模式生物为例，提供了自由运动线虫神经元和斑马鱼心跳血流的成像流程，并且基于重建结果展示了对线虫神经活动和斑马鱼心血管血液动力学的定量分析流程（图1）。

图1 深度学习增强光场显微镜的实施步骤

（图源：Zhu L et al., STAR Protoc, 2023）

为了便于用户搭建，该文章详细介绍了基于常规商用宽场显微镜的光场成像系统构建方案。该文章所提供的方案中，所有光学和光机械件都是易于购买的，并采用了简单易操作的笼式系统，适合非光学背景的研究人员实施。基于常规商用宽场显微镜的设计，便于用户进行样品的固定和操作（图2）。

图2 光场显微镜原理及样机示意图

（图源：Zhu L et al., STAR Protoc, 2023）

除了提供便于实施的硬件搭建方案，该文章还基于配套的软件包以及实例教程，详细介绍了算法的数据处理以及网络训练流程。由于光场三维重建网络不仅能升质还能升维的特性，本方案介绍了特定的处理流程来保证用户能以最高效的方式达到最优的三维重建结果。首先，为了便于构建训练数据，提供了一种无需复杂的高分辨系统和光场系统的原位采集系统的方案，通过基于光场物理模型的纯模拟方式来从高分辨三维图像产生光场图像。此外，为了更好适应用户的成像需求，本文提供了两种不同的网络参数设置，一种针对密集结构信息（例如斑马鱼心肌结构）的高拟合网络来保证结构的准确性，一种针对强度信息（例如钙信号）的轻量化网络来在提高网络重建速度的同时保证强度的准确性。

最后以线虫和斑马鱼这两类典型模式生物为例，详述了研究自由运动线虫神经元活动和活体斑马鱼心脏血流动力学两个具体生物应用的数据采集和定量分析流程，实例结果如图3、4所示。

图3 深度学习光场显微镜用于自由运动线虫神经元活动的研究

（图源：Zhu L et al., STAR Protoc, 2023）

图4 深度学习光场显微镜用于跳动斑马鱼心脏的血流动力学研究

（图源：Zhu L et al., STAR Protoc, 2023）

文章结论与讨论，启发与展望

综上所述，该文章系统性介绍了深度学习增强光场显微镜的具体实施步骤，包括简单易实施的光场显微镜搭建步骤和用户友好的软件包及其详细的操作说明，并以线虫神经元活动和斑马鱼心脏血流动力学两个具体的生物研究为例，详述了采集和定量分析流程。该方法单细胞分辨率和百赫兹速度的三维成像能力可普遍用于行为相关神经活动和心血管血液动力学研究等重要生物学应用。值得注意的是，该方案是基于有监督的深度学习算法，需要预先获取样本的高分辨三维数据进行网络训练。另外，虽然本方案是现有光场成像技术中处理密集信号性能最优的，但对过于密集的信号仍会出现质量下降的情况。

原文链接：https://doi.org/10.1016/ j.xpro.2023.102078

华中科技大学费鹏教授为本文通讯作者。华中科技大学博士生朱兰馨和易成强是本论文的共同第一作者。该项研究工作得到了国家自然科学基金和国家重点研发计划的资助。

通讯作者：费鹏（左）；第一作者：朱兰馨（中），易成强（右）

（照片提供自：费鹏团队）

第一作者简介（上下滑动阅读）

朱兰馨，华中科技大学光学工程系博士生。目前主要研究方向为光场显微成像技术及深度学习荧光图像增强算法，并以此为基础对运动线虫的神经元活动、活体斑马鱼心脏血流动力学和活细胞细胞器间互作等生物学问题展开研究。近年来在Nature Methods、Star Protocols、Sensors and Actuators: B. Chemical、Biomedical Optics Express等SCI杂志发表多篇学术论文。  

易成强，华中科技大学光学工程系博士生，主要研究方向为显微光场成像技术及深度学习荧光图像增强算法，在Journal of Innovative Optical Health Sciences等杂志上发表多篇学术论文，已申请相关专利2项。

欢迎加入逻辑神经科学群：文献学习2

扫码添加微信，并备注：逻辑-姓名-单位-研究领域-学位/职称

往期文章精选新刊启航，欢迎投稿科研学习课程精选

【4】高分SCI文章与标书作图（暨AI软件作图）研讨会（2月25-26日  ，腾讯在线会议）（延期至3月25-26日）

学术会议预告

参考文献（上下滑动查看）  

[1] Wang, Z. et al. Real-time volumetric reconstruction of biological dynamics with light-field microscopy and deep learning. Nat Methods 18, 551-556 (2021).

[2] Zhu, T. et al. High-speed large-scale 4D activities mapping of moving C. elegans by deep-learning-enabled light-field microscopy on a chip. Sensors and Actuators B: Chemical 348 (2021).

[3] Wang, Z. et al. A hybrid of light-field and light-sheet imaging to study myocardial function and intracardiac blood flow during zebrafish development. PLOS Computational Biology 17, e1009175 (2021).

[4] Yi, C., Zhu, L., Li, D. & Fei, P. Light field microscopy in biological imaging. Journal of Innovative Optical Health Sciences (2023).

本文完