深度学习荧光计算复用方法为生物成像提供更高效的计算解决方案
2026-05-09 来源:本站 点击次数:105荧光显微镜技术长久以来一直受限于光谱串扰、光子预算有限以及光毒性等物理化学瓶颈，导致研究人员在成像速度、空间分辨率与采样频率之间不得不做出艰难的权衡。本文介绍一种基于深度学习的荧光显微计算复用新方法MicroSplit，可将单荧光通道内叠加的多种细胞结构经计算解混为独立去噪通道，同时实现不确定性感知预测，显著提升成像效率与光子利用率，降低光毒性，为生物成像提供更高效的计算解决方案。
这项研究由Ashesh Ashesh 等多位科学家共同完成，文章题为《MicroSplit: semantic unmixing of fluorescent microscopy data》。该研究成果已于2026年5 月在国际权威学术期刊《Nature Methods》上在线发表。
重要发现
01计算复用理论的底层逻辑与架构实现
传统的荧光显微技术为了区分多个细胞结构，通常需要使用多种荧光标签并进行多次顺序曝光。这种方式不仅极其消耗光子预算，还会因频繁激发导致严重的光毒性，限制了对活体样本的长时间动态观测。本研究提出的 MicroSpli方法彻底颠覆了这一传统工作流。其核心逻辑在于“先混合成像，后计算分离”。研究人员首先通过实验验证，可以将原本需要在多个通道分别成像的细胞结构，合并到一个单一的荧光通道中进行同步快速采集。随后，利用专门设计的变分分裂编码器-解码器网络（Variational Splitting Encoder-Decoder networks，简称 VSE），从该混合的单通道噪声图像中，将不同的细胞结构精准解耦，输出为多个独立的、高信噪比的干净图像通道。
为了全面验证 MicroSpli的泛化能力与鲁棒性，研究团队构建了一个包含十组不同生物数据集的庞大测试库，涵盖了从二维到三维的各种复杂样本。实验共设置了 30 个以上的语义解混任务，包括在极具挑战性的低信噪比环境下的二通道、三通道以及四通道解混。在定量评估指标上，研究采用了 CARE-PSNR 和结构相似性指数（MicroMS-SSIM）作为核心评判标准。实测数据显示，在所有的解混任务中，该方法均表现出色。平均而言，解混后的图像达到了 32.53 的 PSNR 和 0.886 的 MicroMS-SSIM 值，即使在表现最具挑战性的任务中，其指标也分别稳定在 21.6 和 0.564 以上。这些数据充分证明，即便是面对极度嘈杂的原始输入，MicroSpli依然能够提供高度保真的单结构预测图像，其质量完全能够满足后续严苛的生物图像定量分析需求。
03创新的训练模式与极简的应用门槛
为了让这套先进的算法能够真正落地到实际的生物学实验室中，研究团队极具巧思地设计了三种灵活的训练模式。第一种是标准的监督训练模式，适用于拥有完美对齐的多通道历史数据的研究者；第二种模式则突破了空间相关性的限制，允许研究者将来自不同样本甚至不同批次的单通道图像进行随机叠加作为训练输入，这极大降低了获取高质量训练数据的门槛；第三种模式更是直击实际应用，允许研究者直接在显微镜下采集真实的混合信号作为输入。这种因地制宜的数据准备方案，配合高度优化的网络架构，使得即便是没有任何机器学习背景的普通生命科学研究人员，也能轻松上手并完成高质量的推理预测。
04自带无监督去噪与不确定性感知机制
除了核心的解混能力外，研究还揭示了一个极为实用的技术特性——联合无监督去噪。实验表明，即便输入给网络的训练目标（Target）本身是含有噪声的图像，MicroSpli也能在无监督机制的引导下，自发地学习并输出完全去噪的干净预测结果。更令人惊艳的是，得益于其变分推断的网络底层逻辑，该模型能够生成多样化的合理预测后验样本。通过分析这些样本间的像素级差异，研究人员首次实现了对AI 预测结果可信度的量化评估。这种基于预测内部差异的误差图，能够精准 pinpoint 出输入模糊区域带来的预测不确定性，从而帮助科研人员有效甄别潜在的 AI 幻觉，确保下游定量分析的绝对准确。
创新与亮点
MicroSplit突破传统荧光显微光谱串扰、多次曝光、光子浪费的核心难题，首创单通道多结构同步成像 + 计算解混技术，融合变分网络与侧向上下文机制，实现解混、去噪、不确定性量化一体化。相比传统光谱解混与同类计算方法，仅需单张输入即可完成多结构分离，噪声鲁棒性更强。该技术可大幅降低光子曝光，减少活细胞光毒性，提升成像速度，支持更多结构同步观测，还能去除结构性伪影，在细胞生物学、神经科学、类器官研究等生物医疗成像场景中，实现更温和、高效、多维度的微观结构观测，推动生物成像从硬件受限向计算赋能升级。
总结与展望
MicroSpli以深度学习实现荧光显微单通道语义解混，兼顾高效成像、低光毒性与可靠预测，为生物成像提供轻量化、高性能计算方案。未来可结合自适应成像策略，依据不确定性实时调整成像参数，进一步拓展适用场景，有望在超高通量、超长时程活细胞成像中实现更广泛的应用。
声明：本文仅用作学术目的。
Ashesh A, Carrara F, Zubarev I, Galinova V, Croft M, Pezzotti M, Gong D, Casagrande F, Colombo E, Giussani S, Restelli E, Cammarota E, Battagliotti JM, Klena N, Di Sante M, Adhikari R, Feliciano D, Pigino G, Taverna E, Harschnitz O, Maghelli N, Scherer N, Dalle Nogare DE, Deschamps J, Pasqualini F, Jug F. MicroSplit : semantic unmixing of fluorescent microscopy data. Nat Methods. 2026 May 5.
DOI:10.1038/s41592-026-03082-1.