超分辨STED显微荧光成像技术用于自身免疫抗体成像新探索
2026-09-11 来源:本站 点击次数:18关键词：抗核抗体；STED超分辨；卷积神经网络
本研究首次将受激发射损耗（STED）超分辨显微技术应用于抗核抗体（ANA）间接免疫荧光模式成像，对比传统共聚焦显微成像，结合深度学习卷积神经网络，依据国际 ANA 模式共识（ICAP）开展自动分类模型的构建与性能对比研究。研究采集配对的细胞荧光图像数据集，采用迁移学习搭建机器学习模型，评估两种成像模态下模型的分类精度。研究发现，更高分辨率的 STED 图像训练得到的分类模型识别性能反而低于共聚焦图像训练模型，该现象并非代表 STED 技术没有应用价值，而是源于现有分类标签体系、图像信号特征差异与数据集规模的限制，超分辨成像依然可以揭示传统衍射极限成像无法捕捉的细胞内部精细结构信息，为后续发现新型 ANA 染色模式提供基础。
该研究由 Krzysztof Wójcik, Anna Drynda, Przemysław Sosna, Paweł Kułakowski, Joanna Wilańska, Marek Sanak, Olga Adamczyk, Natalia Pocałuń, Kamil Solarczyk, Piotr Kasprzycki & Oskar Szelest 完成，论文标题为《Stimulated emission depletion (STED) microscopy for high‑resolution ANA pattern imaging and machine learning comparison with confocal microscopy》，于 2026年8月在线发表于 Scientific Reports。
重要发现
01研究背景与实验设计
间接免疫荧光是临床检测抗核抗体的金标准，依靠HEp‑2 细胞完成血清自身抗体识别，通过荧光显微镜判读细胞核染色模式，辅助系统性硬化症、干燥综合征、特发性炎性肌病、混合性结缔组织病等自身免疫病的诊断。传统荧光显微镜受衍射极限约束，焦平面分辨率约 180nm，轴向分辨率约 500nm，无法解析细胞内部更微小结构。STED 超分辨显微技术凭借受激发射原理，将荧光分子切换至非荧光的基态，规避衍射限制，可实现约 25nm 量级的成像分辨率。
ANA 染色模式判读本质属于图像分类任务。传统依靠人工手工提取特征的机器学习算法效果有限，卷积神经网络凭借捕捉图像空间关联的能力，成为该领域主流方案。本研究为首次开展 STED 超分辨成像与共聚焦成像针对 ANA 间接免疫荧光模式的对照研究，研究目标是评估 STED 超分辨成像能否提升基于机器学习的 ANA 模式自动分类精度，按照 ICAP 标准完成模式分类，对比两种成像数据源训练模型的分类表现。
实验使用医院生物样本库的剩余临床血清样本，样本经过匿名化处理，伦理委员会豁免知情同意流程。沿用商用ANA 检测试剂盒的间接免疫荧光染色流程，仅更换荧光标记二抗，采用适配 STED 成像的荧光标记物。血清样本按临床常规临界稀释比例进行稀释，完成孵育、洗涤，再孵育荧光二抗，封片后用于显微采集。
02图像采集与数据集构建同一批玻片分别采用共聚焦模式与二维STED 模式完成配对成像。成像过程设置对应激发光与损耗光参数，通过时间门控检测压制背景荧光，平衡分辨率提升与光漂白效应。图像像素采样尺寸为 41.67 × 41.67nm，单帧视场范围约 18.7‑27.1 μm。研究总计采集约 2400 张二维图像以及 780 套 Z 轴层扫堆栈，每套堆栈包含约 20 层光学切片。通过强度剖面分析验证，STED 成像可以分辨间距 80nm 的微细结构，而共聚焦成像无法区分该尺度结构。
原始输出为单通道灰度荧光图像，为适配预训练卷积神经网络输入格式，将单通道强度复制至RGB 三通道，不改变原始信号强度。对图像做单细胞核裁剪，实现单个细胞样本的分割。图像标签基于双人盲法的 ICAP 共识判读结果，同时配套对应自身抗体确证实验结果。剔除复合染色模式样本后，数据集包含 AC1、AC2、AC3、AC4、AC5、AC6 共六类 ICAP 模式，STED 图像 2907 张，共聚焦图像 2920 张，数据集存在类别不均衡，AC4 样本占比超过 40%。数据集按 72% 训练集、13% 验证集、15% 测试集完成划分，训练阶段引入数据增强策略缓解类别不平衡。
03机器学习模型训练与结果
研究首先测试K 近邻、随机森林等传统机器学习方法，加权精度仅分别达到 0.53 与 0.60，分类效果不足。对比多款卷积神经网络架构后选定 EfficientNetB0 与 ResNet 开展迁移学习，模型使用 ImageNet 预训练权重，冻结基础网络主干，仅训练新增分类头，借助早停策略防止过拟合，后续解冻部分网络层完成微调。外部基准采用公开的 HEp‑2 细胞图像数据集完成模型可靠性校验。
性能结果显示，共聚焦图像训练的EfficientNetB0 模型宏 F1 分数 0.947，加权 F1 分数 0.925，平均类别精度 0.948；而 STED 图像训练得到的模型宏 F1 分数 0.864，加权 F1 分数 0.851，平均类别精度 0.878。STED 数据源训练模型分类性能低于共聚焦数据源。
进一步图像特征分析表明，STED 图像与共聚焦图像不仅空间分辨率存在差异，信号统计特征同样显著不同。STED 图像平均强度、中位强度、对比度、香农熵均更低，强度分布区间更窄，但高频信息占比显著更高，对应图像细节更锐利、信号分布更加稀疏。
04结果解析该看似反直觉的结果存在多重诱因。STED 揭示的大量亚结构细节，尚未纳入现有的 ICAP 分类标准；图像捕捉到的部分精细信号属于生物学个体差异，不属于现有分类体系定义的特征，增加模型判读歧义；高分辨率图像包含巨量细节信息，需要规模更大的数据集才能够实现和共聚焦图像相当的模型性能。
即便自动分类模型性能不及共聚焦，STED 依旧能够显现传统手段无法观察的细微空间分布。抗原的空间拓扑分布对应分子功能与细胞定位，超分辨观测有助于缩小候选自身抗原范围。同时研究指出，常规抗体‑荧光复合物会造成标记尺寸膨胀，未来可借助纳米抗体缩小标记复合体，进一步释放超分辨成像的潜力。
创新与亮点
本研究构建全球首套ANA‑STED 超分辨显微配对图像公开数据集，打通超分辨荧光成像与自身免疫抗体模式深度学习分类的研究链路。传统共聚焦受衍射限制丢失纳米尺度核内结构，本研究验证超分辨成像可以分辨 80nm 尺度核内荧光结构，填补 ANA 成像在纳米尺度观测的空白。
研究打破“分辨率越高，AI 自动分类性能一定更好” 的固有认知，证实成像信号统计特征、现有标签体系与数据集规模，会共同制约 AI 分类效果。在临床场景中，该技术可用于挖掘传统显微镜无法识别的新型 ANA 亚模式，助力更新 ICAP 分类标准，为解析自身抗体的细胞定位、揭示自身免疫病发病机制提供新观测手段。
总结与展望
该工作建立了配对的STED‑共聚焦 ANA 荧光图像数据集，对比两种成像数据驱动的深度学习分类模型。STED 超分辨成像可解析核内纳米级精细结构，但受现有分类标签、图像信号差异、数据集规模约束，基于 STED 图像训练的自动分类模型性能低于共聚焦模型。后续需要扩充 STED 图像数据集规模，结合纳米抗体标记技术降低标记带来的尺寸伪影，充分发挥超分辨成像优势，助力识别尚未被定义的 ANA 染色亚型，推动自身免疫病的机理研究。
论文信息声明：本文仅用作学术目的。
Wójcik, K., Drynda, A., Sosna, P. et al. Stimulated emission depletion (STED) microscopy for high-resolution ANA pattern imaging and machine learning comparison with confocal microscopy. Sci Rep (2026).
doi:https://doi.org/10.1038/s41598-026-68794-y