在生命科學領域，實時觀測活細胞內(nèi)納米尺度的動態(tài)過程是理解生命機制的關鍵，但傳統(tǒng)光學顯微鏡受限于光的衍射，無法清晰分辨小于200納米的精細結(jié)構(gòu)。雖然各種超分辨顯微技術應運而生，但它們往往需要在復雜的專用設備、高光照劑量（可能損傷細胞）與成像速度、通用性之間做出權衡。近期，一項名為“3Snet-CLID”的新型計算超分辨成像技術，成功地將深度學習驅(qū)動的信號保護性去噪與經(jīng)典的理查森-露西去卷積算法相結(jié)合，僅需單幀普通的寬場或轉(zhuǎn)盤共聚焦顯微圖像，就能穩(wěn)定、高保真地重建出分辨率優(yōu)于60納米的清晰圖像，為長時程、低損傷的活細胞納米成像提供了一個強大而便捷的平臺。
 

這項重要工作由Fudong Xue, Lin Yuan, Wenting He, Zuo‘ang Xiang, Jun Ren, Chunyan Shan, Shunqin Li, Min Wang, Liangyi Chen & Pingyong Xu共同完成。其研究成果以題為 “High-fidelity single-frame computational super-resolution using signal-preserving denoising-enabled deconvolution”的論文形式，于 2026年在 《自然 通訊》（Nature Communications）期刊在線發(fā)表。

重要發(fā)現(xiàn)
01核心貢獻：去噪與去卷積的協(xié)同，突破單幀計算超分辨瓶頸
本論文的核心是提出了3Snet-CLID（Clear Image Deconvolution）成像框架。該框架創(chuàng)新性地采用“先深度去噪，后物理去卷積”的兩步策略，旨在解決當前單幀計算超分辨技術面臨的兩大核心難題：基于深度學習的方法嚴重依賴訓練數(shù)據(jù)、泛化能力差；而基于理查森-露西去卷積的傳統(tǒng)方法則對噪聲極度敏感，迭代過程中容易放大噪聲并產(chǎn)生偽影。

3Snet-CLID的運作流程清晰而高效。首先，一個專門設計的深度學習去噪網(wǎng)絡（3Snet）處理單幀輸入的、充滿噪聲的顯微圖像，輸出一張既顯著抑制了噪聲、又嚴格保持了原始圖像每個像素信號強度分布的“清晰圖像”。隨后，將這張清晰圖像輸入標準的理查森-露西去卷積算法，利用顯微鏡的點擴散函數(shù)模型進行反卷積運算，最終重建出超越衍射極限的超分辨圖像。這種方法的關鍵在于，深度學習網(wǎng)絡不直接學習模糊到清晰的復雜映射，而是專注于更穩(wěn)健的“去噪”任務，為后續(xù)基于物理模型的反卷積步驟提供了一個近乎無噪、信號保真的理想輸入，從而確保了重建的高保真度和方法的強泛化能力。

3S去噪的精妙之處在于其像素級的獨立計算。首先，分別對多幀“亮”態(tài)圖像和“暗”態(tài)圖像進行平均，以抑制隨機噪聲；然后，將平均后的“暗”態(tài)圖像從平均后的“亮”態(tài)圖像中減去。這一步至關重要，因為它能同時消除由相機暗電流、固定圖案噪聲等構(gòu)成的“固定背景噪聲”。最終得到的圖像幾乎無噪聲，且完美保留了每個像素原始的熒光信號強度分布，是用于訓練去噪網(wǎng)絡的絕佳目標圖像。

在固定細胞成像中，3Snet-CLID顯著增強了肌動蛋白網(wǎng)絡、內(nèi)質(zhì)網(wǎng)等結(jié)構(gòu)的對比度和清晰度，能夠揭示更連續(xù)、更完整的形態(tài)學細節(jié)。更為突出的是其在活細胞成像中的應用。在免疫T細胞形成免疫突觸的動態(tài)過程中，3Snet-CLID以前所未有的時空分辨率捕捉了肌動蛋白網(wǎng)絡逆流、弧形結(jié)構(gòu)組裝與移動的精細動力學，甚至能定量分析肌動蛋白弧的各向異性。在雙色活細胞成像中，該方法成功解析了線粒體外膜、內(nèi)質(zhì)網(wǎng)管狀結(jié)構(gòu)等細胞器的納米細節(jié)，并實時觀測到了線粒體外膜側(cè)向融合等以往難以清晰捕捉的動態(tài)事件。對核孔復合體這一經(jīng)典超分辨“標尺”的成像也表明，3Snet-CLID重建出的環(huán)狀結(jié)構(gòu)與電子顯微鏡測得的結(jié)果高度一致。

創(chuàng)新與亮點
突破核心瓶頸，實現(xiàn)高保真重建：該研究直擊計算超分辨的痛點，通過“信號保護性去噪”與“物理模型去卷積”的深度融合，有效抑制了噪聲放大和偽影產(chǎn)生，實現(xiàn)了在單幀、低信噪比條件下接近無噪理想情況的反卷積效果，將傳統(tǒng)寬場、共聚焦顯微鏡的空間分辨率提升超過5倍，穩(wěn)定達到60納米水平。

提出可推廣的深度學習去噪新范式：創(chuàng)新的3S像素級去噪策略為訓練深度學習網(wǎng)絡提供了物理意義明確、信號保真的高質(zhì)量數(shù)據(jù)。由此訓練出的3Snet網(wǎng)絡成為一個強大的、可遷移的預處理模塊，一旦針對特定成像系統(tǒng)訓練完成，即可廣泛應用于不同熒光標記、不同細胞結(jié)構(gòu)的圖像去噪，無需重新訓練或復雜調(diào)參，極大地提升了方法的實用性和易用性。

為活細胞納米尺度動態(tài)研究開啟新窗口：3Snet-CLID最大的價值在于其卓越的時空分辨率與低光毒性特性的結(jié)合。它無需改造現(xiàn)有顯微鏡硬件，僅通過算法處理即可將常規(guī)的寬場或轉(zhuǎn)盤共聚焦顯微鏡轉(zhuǎn)變?yōu)閺姶蟮幕罴毎�超分辨成像工具。這使得研究者能夠在生理相關條件下，長時間、高頻率地觀測細胞器相互作用、蛋白質(zhì)集群動力學、細胞骨架重組等關鍵生物過程的納米尺度細節(jié)，在神經(jīng)科學、免疫學、細胞發(fā)育、疾病機制（如線粒體動力學異常、病毒感染過程）等前沿生物醫(yī)學研究領域具有巨大的應用潛力。

總結(jié)與展望
本研究發(fā)展的3Snet-CLID技術，通過巧妙的算法設計，成功彌合了深度學習強大學習能力與經(jīng)典物理模型可靠性之間的鴻溝，為計算超分辨顯微成像領域提供了一種兼顧高分辨率、高保真度、強泛化能力及高時空分辨率的新方案。它顯著降低了納米尺度活細胞成像的門檻，使更多實驗室能夠利用現(xiàn)有設備探索生命的納米世界。

DOI:10.1038/s41467-026-70791-8.