在微觀世界里,每一個細胞都是一個繁忙的城市,而分子們則是這個城市中的居民。想象一下,如果我們能夠追蹤這些居民的每一個動作,或許便能夠揭開生命奧秘的一角。這就是科學家們在活細胞中進行 3D 單粒子跟蹤 (single particle tracking, SPT) 的宏偉目標。通過這項技術,人們能夠觀察分子在細胞中的每一個動作,從而理解它們如何相互作用,構建起復雜的生命體。
但是,要在微觀世界中進行精確的跟蹤并非易事。想象一下,在一部槍戰電影中,要追蹤一顆快速移動的子彈已經足夠困難了,而分子的運動速度遠超子彈,運動軌跡的復雜程度更是超乎想象。科學家們面臨的挑戰就像是要在一場漫天飛舞的雪花中,追蹤每一片雪花的軌跡一樣艱難。
為了在細胞的三維空間中實時、精確地追蹤分子的運動,廈門大學方寧教授團隊基于深度學習研發了一種自動化、高速、多維的單粒子追蹤系統,打破了細胞微環境中納米顆粒旋轉追蹤的局限性,實現了在納米尺度下,全方位、精準追蹤活細胞內單分子/單個納米顆粒,不僅追蹤了其在三維空間的位移,還首次觀測到分子/納米顆粒的旋轉運動。目前,該論文已經發表于權威期刊 Nano Letters。
研究亮點:
構建了一個集成深度學習算法的單粒子跟蹤系統,克服了低信噪比 (S/N) 條件下旋轉跟蹤的局限性
該系統可用于跟蹤活細胞中各向異性金納米顆粒探針的三維方向,具有高定位精度 (<10 nm) 和時空分辨率 (0.9ms)
該系統具備比傳統方法更好的魯棒性和抗噪性,已經通過活細胞內沿微管 (microtubule) 運輸的貨物運動研究證明有效性
SPT 系統:自動、高速、多維的單粒子追蹤系統
為了更全面地了解活細胞的動態過程,該研究首先開發了一種多維成像設備:
自動高速多維 SPT 成像裝置示意圖
如上圖所示,該成像裝置集成了雙焦平面成像 (bifocal plane imaging)、視差顯微鏡 (parallax microscopy) 和自動追蹤功能 (autotracking capabilities)。
雙焦平面成像
光束經過凝聚鏡 (condenser) 后,通過物鏡 (OBJ) 和物鏡掃描儀 (OS) ,并通過在采集光路中插入反射透射比為 7:3 的分束器 (BS),能夠將采集到的信號分成兩個成像通道(聚焦通道和散焦通道),從而實現雙焦平面成像。在離焦通道中插入一個 750mm 的凸透鏡 (上圖中 L1),在聚焦通道和離焦通道之間建立約 900 nm 的軸向分離,從而可產生最合適的離焦圖案。
視差顯微鏡
采集到的信號被一個楔形棱鏡 (WP) 分裂成兩個鏡像和垂直排列的圖像。該裝置通過記錄探頭在不同 z 軸位置的兩幅圖像之間的距離,建立 Δy 與 Δz 之間的精確關系,并構建校準曲線。然后,通過計算探針的兩個鏡像點在 x-y 平面上的距離來確定探針的 z 軸位置。
自動跟蹤功能
該裝置集成了一個自動反饋跟蹤系統,該系統由一個壓電物鏡掃描儀 (p-725.4CD),一個控制器 (E-709) 組成。當探頭的 z 軸運動導致兩個鏡面點之間的距離發生變化時,自動跟蹤程序會根據變化值計算出目標掃描儀需要移動的距離。
模型架構:輸入層+4 個卷積塊+3 個全連接層
為了保證數據分布的多樣性,該研究通過縮放圖像、添加不同程度的高斯噪聲以及執行位置變換,將相同比例的模擬數據和實驗數據混合,進行訓練和驗證。
受視覺幾何組模型 (Visual Geometry Group, VGG) 的啟發,該研究通過將輸入圖像映射到三維方向 (方位角 φ 和極角 θ),構建了一個卷積神經網絡模型。
一般而言,卷積塊 (convolutional blocks) 的數量對于有背景的多層圖像特征提取至關重要。因此,該研究使用 1-4 個卷積塊分別測試了 CNN 架構。研究結果表明,具有 4 個卷積塊的 CNN 模型誤差最小。
多維成像系統
從結果來看,該研究的 CNN 模型最終由一個輸入層、4 個卷積塊和 3 個全連接 (fully connected, FC) 層組成。其中:
輸入層可接受固定大小的圖像,并且能夠將其轉換為張量形式傳遞下去。
4 個卷積塊包含多個卷積層和池化層 (pooling layers):
a. 4 個卷積塊中分別含 64、128、256、512 個卷積核,所有卷積核的大小都是 3×3,每個卷積層都通過批歸一化 (batch normalization) 和整流線性單元 (ReLU) 激活函數,保證模型能夠更快收斂并防止過度擬合,同時還增強了神經網絡的非線性映射能力;
b. 池化層在保證平移不變性 (translation invariance) 的同時,減少了網絡的計算參數。
3 個全連接層,分別包含 2048、2048 和 451 個神經元,能夠將卷積層和池化層提取的特征整合到更高層次的表達中,使網絡能夠做出更復雜的決策和分類。
深度學習圖像識別算法
通過對 CNN-exp、CNN-sim 和 CNN-sim+exp 三種模型的損失曲線進行研究,結果表明,對于模擬數據集,CNN 模型可以在 30 次 epoch 后達到收斂。相比之下,使用實驗數據集進行訓練則需要大約 90 個 epoch 才能收斂。另外,CNN-sim+exp 模型的收斂速度相對較快。
抗噪性能評估與貨物運動研究,CNN 模型更具優勢
在實際應用過程中,高時空分辨率和細胞活力會影響活細胞成像。因此,該研究測試了 CNN 模型在 4、2 和 1.4 等不同信噪比條件下的抗噪性和魯棒性,并與傳統的 CC (correlation coefficient) 方法進行對比。
CNN 模型和 CC 方法的成像研究結果
研究結果表明,當信噪比為 4 時,CNN 和 CC 方法都表現出良好的性能和較小的誤差,誤差均小于 2°;當信噪比降至 2 時,CNN 方法的誤差增值僅相當于 CC 方法的五分之一;當信噪比為 1.4,CC 方法無法分辨粒子方向,而 CNN 模型的誤差仍在可接受范圍內。
這表明在低信噪比環境下,CNN 模型比 CC 方法具有更強的抗噪性和魯棒性。
貨物運輸的三維軌跡圖
由 ATP 水解產生的能量是驅動細胞內分子進行貨物運輸的「馬達」。因此,貨物的特征性平移和旋轉運動可提供貨物與驅動蛋白結合狀態的大量信息,并為闡明貨物-馬達-微管 (microtubule) 相互作用的研究提供了全新角度。簡單來講,該研究通過自動高速多維 SPT 成像裝置結合深度學習模型 (CNN-sim+exp 模型),研究了活細胞中驅動蛋白沿微管骨架運輸貨物的動態過程。
在整個運輸過程中,貨物共經歷了兩個暫停階段和幾個主動運輸階段。
在第一個暫停階段,貨物的旋轉自由度很小,這表明它處于緊密附著模式。在兩個暫停階段之間,貨物處于主動運輸階段,自動跟蹤系統記錄了約 300nm 的軸向位移,這是傳統成像方法難以獲得的。
在第二個暫停階段,貨物的運動狀態不斷地在 tight attachment 和 tethered rotation 之間切換。在 tight attachment 模式,貨物可通過多種驅動蛋白與微管緊密連接,很少自由旋轉。在 tethered rotation 模式下,貨物與微管相連之間的結合松散,并且不斷尋找、連接新的微管。總的來說,這一系列運動突出了細胞內運輸的動態性和復雜性,以及驅動蛋白在促進貨物沿著微管軌道運動中的作用。
在美工作 13 載后回歸母校
基于對研究人員的深度挖掘,本篇論文的通訊作者——廈門大學方寧教授走進了我們的視野。從求學經歷來看,方寧教授可謂是「一路成才,回饋母校」的典范。
1998 年,方寧教授在廈門大學化學系畢業后,先后在加拿大英屬哥倫比亞大學和美國能源部埃姆斯國家實驗室開展博士及博士后研究,分別師從 David D.Y.Chen 陳大勇教授和國際著名分析化學家 Edward S. Yeung 教授。
方寧教授
在美國工作 13 載后,方寧教授早已升任佐治亞州立大學正教授。為了在國內光學成像領域做出貢獻,方寧教授于 2021 年全職回國,以特聘教授的身份加盟廈門大學化學化工學院,開發化學及生物光學成像技術, 并依托這些開創性的工具在納米材料、催化、以及生物物理等領域,開展單分子、單顆粒級別的研究工作,至今已在 Nature Catalysis, Nature Cell Biology, Chemical Reviews, Nature Communications, Science Advances, JACS, Angewandte Chemie等期刊發表論文 90 余篇。
目前,方寧教授在廈門大學自主搭建了單分子、單顆粒、光學顯微成像實驗室,圍繞分子與納米材料的光學成像領域,開發了單顆粒旋轉追蹤技術、拉曼光譜 + 先進成像、激光片層掃描成像、超分辨率光學成像、全內反射熒光、全內反射暗場等六大研究方向,在國內。單分子、單顆粒、光學顯微成像領域成績突出。
早在 2021 年,方寧教授團隊就曾先后開發出全新的單粒子旋轉追蹤系統和三維角度單粒子追蹤技術,在闡明受體介導內吞機制和實時解析囊泡在細胞中運輸的旋轉動力學方面取得了突破性進展。面對洶涌而來的 AI 浪潮,該團隊敏銳察覺出 AI 技術在光學成像領域的突出價值,本次研究就是使用深度學習/AI 輔助成像對活細胞生命過程研究的第一步。
方寧教授團隊認為,將 AI 引入實驗需要在圖像的自動識別、運動模式及細胞行為的分類以及預測三大領域取得突破。本次研究成果正是對基于計算模擬生成的數據對圖像自動識別的第一階段取得的階段性成果。目前,該團隊正在對第二階段的細胞生物過程進行識別和判定。
毫無疑問,當三大階段均被完成,研究人員或能將對藥物遞送的進程與結果進行預測,這也將會領國內制藥行業之先。
下一篇:返回列表
【免責聲明】本文轉載自網絡,與科技網無關。科技網站對文中陳述、觀點判斷保持中立,不對所包含內容的準確性、可靠性或完整性提供任何明示或暗示的保證。請讀者僅作參考,并請自行承擔全部責任。