科学家让活细胞成像既全又清

北京大学席鹏教授领导的团队研发出一种名为LargePNet的新型AI网络，解决了当前AI辅助荧光成像在观察活细胞时“管中窥豹”的难题。

长期以来，科学家在显微成像时面临一个两难：高光照能获得清晰图像，但会损害细胞，限制了长时间观察；而深度学习技术能够从低光照的模糊图像中重建高清画面，降低了对光照强度的需求，延长了观测时间。然而，现有AI模型普遍采用自然图像的处理方式，即将大于512×512像素的大图切割成小块进行训练，这种方法如同让AI通过“碎照片”学习摄影，每块信息量有限。

席鹏解释说，自然图像内容丰富，小块之间差异明显，适合切图训练。但荧光成像不同，特异性标记的细胞器在小视野下往往呈现重复的细线结构。区分“结构”与“噪声”的关键信息，实际上隐藏在更大尺度的全局关联中。通过“碎照片”训练的AI，在处理完整大图时，由于缺乏全局认知，常常导致保真度不足和抗噪性差，因为它从未学习过“整只豹子”的整体形态。荧光图像中，生物结构在大视野范围内存在长程关联，例如一根微管蛋白纤维可能贯穿整个图像。当AI只见过碎片，它就丧失了理解这种全局结构的能力。

该团队的创新思路在于提出了LargePNet，一个全新的通用型荧光成像复原网络。其核心理念是直接使用大于512×512像素的大视野图像来训练AI，使模型在训练阶段就能完整学习细胞结构的上下文关联和全局统计信息。然而，直接将大图输入传统神经网络会遇到两大挑战：一是如何建立足够大的“感受野”让AI理解全局结构；二是如何控制大视野下的计算量，避免GPU内存溢出。为此，团队构建了LargePNet，一个能够融合全局“骨架”与局部“细节”的高效大视野通用型荧光成像复原网络，实现了既能全面观察又能清晰成像。

这项技术的应用效果显著。在八项涉及不同显微模态的降噪和去模糊任务中，LargePNet相比当前最先进的复原网络，峰值信噪比提升了0.5至2分贝，大图推理效率提高了4至20倍。该技术成功实现了长达30小时、分辨率达200纳米的活细胞亚细胞器动态成像，稳定捕捉了细胞骨架的动态变化，并能清晰展现内质网、线粒体和微管三种细胞器在同一画面中的相互作用。

更重要的是，团队还提供了“适用范围说明书”。他们发现，当小图块与大视图的统计信息偏差越大时，LargePNet相较于传统小图训练网络的复原优势越明显。这意味着研究人员可以根据自身数据的特点，判断何时更适合使用这套具有“大局观”的模型。目前，该团队已将全部Python源码、训练数据及模型开源，供全球科研人员免费使用。