自监督神经物理学可处理重叠单分子数据实现高保真三维盲定位纳米成像
2026-05-21 来源:本站 点击次数:52单分子定位显微镜（SMLM）将光学成像分辨率提升两个数量级至纳米甚至埃级，为结构细胞生物学研究提供了强大的工具。SMLM的超高分辨成像能力往往需要精准的点扩散函数（PSF）预校准来支撑。然而，目前的PSF校准方法依赖稀疏的点光源（荧光小球或者单分子图像）[1]，只能处理低密度和高信噪比的数据，极大限制了其在大景深和厚样品成像中的应用。
近日，南方科技大学生物医学工程系李依明课题组在三维超分辨成像领域取得重要进展。相关研究成果以 “Aberration-aware 3D localization microscopy via self-supervised neural-physics learning”为题，发表于国际顶级期刊Nature Communications，第一作者为博士后傅爽。该研究提出了一种名为LUNAR（Localization Using Neural-physics Adaptive Reconstruction）的自监督神经物理学习框架[2]，通过协同学习物理成像模型与神经网络权重，可直接处理棘手的重叠单分子数据，实现高保真三维盲定位纳米成像。
重要发现
01神经物理模型的“同步华尔兹”
研究团队开发了一种创新的神经物理模型，将基于神经网络的“编码器”与基于物理光学定律的“解码器”有机结合，以期望最大化的方式迭代学习。与依赖预校准PSF模型的传统极大似然算法或需要大量训练数据对的深度学习方法不同，LUNAR采用自监督学习策略，能够直接从原始且重叠的单分子图像中同时学习分子的三维位置与光学系统的像差信息。 此外，LUNAR的解码器严格遵循矢量光学衍射理论，打破了传统AI生成的“黑箱”限制，为隐变量推断和复杂像差建模赋予了明确的物理意义。 在架构层面，LUNAR网络中引入的ConvNeXt和Transformer模块有效捕获了多帧图像间的时空特征，这使得该模型的多帧连续定位精度能够达到理论信息极限。
在全面的基准测试中，LUNAR展现出了远超DECODE[3]、DeepSTORM3D[4]、FD-DeepLoc[5]等现有主流算法的鲁棒性，尤其在处理带有不同程度未知像差的模拟数据时，其定位误差较当前最优方法降低了6倍以上。即使在散光分子信号高度重叠（2.6 μm-2）的条件下，该框架依然能维持极高的三维定位效率（>80%）与像差估计精度(<0.01λ)。得益于其内置的时空注意力机制，LUNAR在多帧定位任务中展现出逼近克拉美罗下界（CRLB）的卓越性能，其定位精度相较于同类方法提升了约45%至85%。此外，在高密度像差估计任务中，相比于领域内最先进的原位PSF建模工具uiPSF[1]和INSPR[6]，LUNAR将密度提高了一个数量级。在全自动化的分析流程中，LUNAR能够自主识别并修正由环境或样本差异引起的PSF模型失配，极大地降低了单分子定位显微镜的应用门槛。
03摆脱繁琐校准的高保真三维纳米成像
传统SMLM流程中存在PSF校准繁琐且易失配的问题，研究人员首先将LUNAR应用于校准PSF数据过期或样本中存在未知像差的情况，LUNAR 凭借其独特的自监督物理学习机制，依然能够精准重构出微管的中空形态以及核孔复合物（NPC）在全焦深范围内的轴向双层环状结构。相较于FD-DeepLoc和DECODE等依赖预校准PSF监督的传统算法，LUNAR不仅显著消除了离焦区域的弥散伪影，更在傅里叶环相关（FRC）分辨率上展现出显著优势。这一突破意味着研究者可以从耗时的基于荧光微球的PSF校准中解放出来，为复杂生物样本的深层纳米成像提供了一种更高效、更精准的自动化解决方案。
04LUNAR结合大景深技术实现单步全细胞成像
针对大景深PSF工程在单步全细胞三维成像时面临的低信噪比与信号严重重叠难题，研究团队利用LUNAR框架实现了超分辨“盲重构”。传统依赖预校准的方法（如FD-DeepLoc、DECODE、uiPSF）在处理此类复杂信号时，极易因模型失配而导致结构模糊、定位弥散甚至产生严重的伪影。然而，LUNAR 凭借强大的自监督神经物理学习能力成功打破了这一瓶颈。如真实生物样本验证所示，LUNAR不仅在全细胞范围内清晰重构了核孔复合物（NPC）在侧视图下的完整环状结构，还在随后的自动化定量分析中提取了更多的有效NPC来进行结构参数统计，有效数据量为传统方法的两倍以上。此外，在无需任何位移台轴向扫描的前提下，LUNAR精准还原了大轴向深度的线粒体外围点状蛋白簇，并清晰、完整地揭示了培养神经元中密集交织的βII-spectrin三维周期性骨架。这一突破彻底消除了传统深度学习定位带来的网格伪影与结构断层，标志着大体积复杂生物细胞的高精度超分辨成像迈入了全新阶段。
05多模态无缝集成与深层组织成像
LUNAR 展现了极强的多模态兼容性，在结合自适应光学系统的实验中，研究团队对厚度达50 μm的小鼠脑切片深层组织进行了三维成像 。面对严重的样本诱导像差，传统高斯拟合模型往往受限于复杂环境而丢失细节，在完全不知道系统像差的情况下，LUNAR直接从原始单分子数据中学习到了精确的原位PSF模型 。借助这一优势，LUNAR 成功实现了对轴突起始段中 βIV-spectrin 蛋白的高保真重构，直接观察到了环绕轴突周边的精细环状结构，其侧视图细节和自相关分析结果均显著优于传统的高斯拟合方法 。不仅如此，LUNAR在处理晶格光片显微镜采集的motor-PAINT数据集时同样表现优异 。它成功追踪了跨越约14 µm 轴向深度的全细胞驱动蛋白（kinesin）运动轨迹，重构出比传统处理软件更为锐利的微管网络，并直观揭示了微管从盖玻片附近的中心体向外辐射并包裹细胞核的径向组织规律。此外，研究团队还验证了LUNAR在多色成像领域的潜力，不仅以更优的定位数量和重构质量解析了位于核孔复合物双环中心的 WGA 蛋白，还清晰刻画了线粒体外膜（Tom20）与微管网络（β-tubulin）之间的空间接触关系 。这些成果充分证明了LUNAR在跨越不同硬件条件与极具挑战性的生物学样本中，具有广泛的适用性与极大的应用潜力 。
总结与展望
开启数据与物理协同驱动的超分辨成像新范式
综上所述，本研究开发的LUNAR框架为单分子定位显微成像提供了一种全新的“盲分析”范式。通过将深度学习的强大特征提取能力与物理光学模型深度融合，LUNAR成功克服了传统方法对繁琐PSF校准的依赖，解决了模型失配、复杂像差干扰以及高密度信号重叠等长期存在的瓶颈问题。无论是在接近理论极限的定位精度表现上，还是在跨越全细胞、深入复杂组织的三维成像应用中，LUNAR均展现出了显著优于当前主流算法的性能与鲁棒性。展望未来，这种神经物理协同驱动（Neural-physics learning）的设计思路具有广阔的可能性。尽管目前LUNAR在处理极厚组织的散射现象及计算效率方面仍有提升空间，但随着算法的进一步迭代和算力的提升，其应用领域有望从单分子定位扩展至更多计算成像模态。此外，通过简化软件界面并与现有分析工作流深度集成，LUNAR将显著降低超分辨纳米成像的技术门槛，使研究人员能够更加专注于探索复杂的生命科学问题。
南方科技大学生物医学工程系的李依明副教授为该论文的通讯作者，第一作者为傅爽。该研究得到了国家重点研发计划、国家自然科学基金、深圳市医学研究专项资金、南方科技大学校长卓越博士后等多个项目的资助。该研究也是首批国自然博士生项目“数据与物理模型联合驱动的厚样品三维超分辨成像的关键问题研究”的直接资助成果。目前，LUNAR的源码已开源（https://github.com/Li-Lab-SUSTech/LUNAR），旨在助力全球生命科学研究者获取更准、更清晰的微观世界图像。