機器學習技術使顯微鏡變得比以往更好

機器學習幫助一些最好的顯微鏡看得更清楚，工作得更快，並處理更多的數據。為了觀察魚腦中迅速的神經元信號，科學家們已經開始使用一種叫做光場顯微鏡的技術，這使得對這種快速的生物過程進行三維成像成為可能。但是這些圖像往往缺乏質量，而且需要數小時或數天的時間才能將大量的數據轉換為三維體積和電影。

現在，歐洲分子生物學實驗室（EMBL）的科學家們已經將人工智能（AI）算法與兩種尖端的顯微鏡技術相結合--這一進展將圖像處理的時間從數天縮短到僅有幾秒鐘，同時確保所得到的圖像是清晰和準確的。該研究結果發表在《自然方法》上。

論文的兩位主要作者之一、現為慕尼黑工業大學博士生的尼爾斯-瓦格納説：“最終，我們能夠在這種方法中取得’兩個世界的最佳效果。人工智能使我們能夠結合不同的顯微鏡技術，因此我們可以像光場顯微鏡允許的那樣快速成像，並接近光片熒光顯微鏡的圖像分辨率。”

雖然光片熒光顯微鏡和光場顯微鏡聽起來相似，但這些技術有不同的優勢和挑戰。光場顯微鏡捕捉到大的三維圖像，使研究人員能夠以非常高的速度跟蹤和測量非常精細的運動，如魚的幼蟲的心臟跳動。但是這種技術產生大量的數據，可能需要幾天時間來處理，而且最終的圖像通常缺乏分辨率。

光片熒光顯微鏡在同一時間對特定樣本的單一二維平面進行觀察，因此研究人員可以以更高的分辨率對樣本進行成像。與光片熒光顯微鏡相比，光片顯微鏡產生的圖像處理起來更快，但數據不那麼全面，因為它們一次只能從單一的二維平面捕捉信息。

為了利用每種技術的優勢，EMBL的研究人員開發了一種方法，利用光場顯微鏡對大型三維樣品進行成像，並利用光片顯微鏡訓練人工智能算法，然後創建一個準確的樣品三維圖像。

Robert Prevedel是EMBL小組的負責人，他的小組貢獻了新穎的混合顯微鏡平台，他指出，建造更好的顯微鏡的真正瓶頸往往不是光學技術，而是計算。這就是為什麼早在2018年，他和安娜決定聯合起來。“我們的方法對那些想研究大腦如何計算的人來説將是真正的關鍵。我們的方法可以對魚的幼蟲的整個大腦進行即時成像，“羅伯特説。

他和安娜説，這種方法也有可能被修改，以適用於不同類型的顯微鏡，最終使生物學家能夠觀察幾十個不同的標本，並更快地看到更多的東西。例如，它可以幫助找到參與心臟發育的基因，或者可以同時測量成千上萬個神經元的活動。

接下來，研究人員計劃探索該方法是否可以應用於更大的物種，包括哺乳動物。