加利福尼亞大學洛杉磯分校的一個研究小組設(shè)計了一種擴展熒光顯微鏡功能的技術(shù)，該技術(shù)使科學家能夠使用在特殊照明下發(fā)光的染料精確標記活細胞和組織的各個部分。研究人員利用人工智能將二維圖像轉(zhuǎn)換成虛擬三維切片的堆棧，這些三維切片顯示了生物體內(nèi)的活動。

在2019年11月4日發(fā)表于《自然方法》上的一項研究中，科學家們還報告說，他們的名為“ Deep-Z”的框架能夠修復圖像中的錯誤或像差，例如當樣品傾斜或彎曲時。此外，他們證明了該系統(tǒng)可以從一種類型的顯微鏡拍攝2D圖像并虛擬地創(chuàng)建樣品的3D圖像，就好像它們是由另一臺更高級的顯微鏡獲得的一樣。

“這是一種非常強大的新方法，通過深度學習，可以對活體標本進行3D成像，同時使對樣品的毒性最小的光暴露最少，”加州大學洛杉磯分校校長電氣和計算機學教授Aydogan Ozcan說加州大學洛杉磯分校加州納米系統(tǒng)研究所的工程和副主任。

除了使標本免受潛在的有害劑量照射外，該系統(tǒng)還可以為生物學家和生命科學研究人員提供一種新的3D成像工具，該工具比當前方法更簡單，更快，更便宜。校正像差的機會可能使研究活生物體的科學家能夠從圖像中收集數(shù)據(jù)，否則這些圖像將無法使用。研究人員還可以虛擬訪問昂貴且復雜的設(shè)備。

這項研究建立在Ozcan及其同事開發(fā)的較早技術(shù)的基礎(chǔ)上，該技術(shù)使他們能夠以超分辨率渲染2D熒光顯微鏡圖像。兩種技術(shù)都依靠深度學習來提高顯微鏡技術(shù)的水平-使用數(shù)據(jù)來“訓練”神經(jīng)網(wǎng)絡，即受人腦啟發(fā)的計算機系統(tǒng)。

Deep-Z是使用來自掃描熒光顯微鏡的實驗圖像教授的，該圖像可以在多個深度聚焦，以實現(xiàn)樣品的3D成像。在成千上萬的訓練運行中，神經(jīng)網(wǎng)絡學習了如何拍攝2D圖像并推斷出樣品中不同深度的準確3D切片。然后，對框架進行了盲目測試-向其提供了并非其訓練內(nèi)容的圖像，并且將虛擬圖像與從掃描顯微鏡獲得的實際3D切片進行了比較，從而提供了出色的匹配度。

Ozcan和他的同事將Deep-Z應用于秀麗隱桿線蟲的圖像，秀麗隱桿線蟲由于其簡單易懂的神經(jīng)系統(tǒng)而成為神經(jīng)科學中的常見模型。研究人員將蠕蟲的2D電影逐幀轉(zhuǎn)換為3D，從而能夠跟蹤蠕蟲體內(nèi)單個神經(jīng)元的活動。從以不同深度拍攝的秀麗隱桿線蟲的一或兩個2D圖像開始，Deep-Z產(chǎn)生了虛擬3D圖像，使團隊可以識別蠕蟲中的單個神經(jīng)元，與掃描顯微鏡的3D輸出相匹配，但對活生物體。

研究人員還發(fā)現(xiàn)，即使僅使用與樣品表面完全平行的3D切片訓練神經(jīng)網(wǎng)絡，Deep-Z仍可以從樣品傾斜或彎曲的2D表面生成3D圖像。

UCLA研究生，該出版物的第一作者，作者Yiyi Wu表示：“這一功能實際上非常令人驚訝。”“有了它，您就可以看透曲率或其他復雜的拓撲結(jié)構(gòu)，這對成像非常困難。”

在其他實驗中，使用來自兩種熒光顯微鏡的圖像對Deep-Z進行了訓練：寬視場，它將整個樣本暴露在光源下;共聚焦，它使用激光逐部分掃描樣品。Ozcan和他的團隊表明，他們的框架隨后可以使用樣品的2D寬視場顯微鏡圖像生成與用共聚焦顯微鏡拍攝的圖像幾乎相同的3D圖像。

這種轉(zhuǎn)換很有價值，因為與寬視野相比，共聚焦顯微鏡可以產(chǎn)生更清晰，對比度更高的圖像。另一方面，寬視野顯微鏡以較少的費用和較少的技術(shù)要求捕獲圖像。

“這是一個通常適用于各種成對顯微鏡的平臺，而不僅僅是寬視野到共焦的轉(zhuǎn)換，”第一作者，加州大學洛杉磯分校電氣與計算機工程學助理教授Yair Rivenson說。每個顯微鏡都有自己的優(yōu)點和缺點。有了這個框架，您可以使用AI以數(shù)字方式連接不同類型的顯微鏡，從而實現(xiàn)兩全??其美。”