2025/12/20Forskningsgruppen ledet af professor Yiming Li ved Southern University of Science and Technology (SUSTech) har adresseret centrale udfordringer i forbindelse med anvendelsen af enkeltmolekylelokaliseringsmikroskopi (SMLM) til billeddannelse med høj kapacitet og superopløsning ved at introducere LiteLoc, et skalerbart og letvægts analyseframework baseret på deep learning. Arbejdet med titlen "Scalable and lightweight deep learning for efficient high accuracy single-molecule localization microscopy" (Skalerbar og letvægts deep learning til effektiv og præcis enkeltmolekylelokaliseringsmikroskopi) blev offentliggjort i det internationale tidsskrift Nature Communications.
LiteLoc Innovations
SMLM rekonstruerer billeder i superopløsning ved præcist at lokalisere enkelte fluorescerende molekyler på tværs af titusindvis af stokastiske blinkende billeder. De resulterende datamængder stiller strenge krav til beregningseffektivitet, datagennemstrømning og systemskalerbarhed.
LiteLoc-frameworket er designet omkring kernemålene realtidsydelse, høj lokaliseringsnøjagtighed og høj gennemløbshastighed og overvinder adskillige kritiske flaskehalse i SMLM-rekonstruktion med høj gennemløbshastighed:
Ved at integrere neurale repræsentationer med fysikbaserede priors demonstrerer PAMR systematiske forbedringer i forhold til traditionelle tilgange:
Accelereret volumetrisk rekonstruktionRekonstruktionstiden for et enkelt 3D-volumen (585 × 585 × 120 voxels) reduceres fra 250 s til 28 s, hvilket svarer til en stigning i rekonstruktionshastigheden på cirka 10 gange.
Opløsningsforbedring ud over diffraktionsgrænsent: Ved hjælp af et halvkugleformet belysningssystem med 66 LED'er i kombination med et 40×/0,95 NA-objektiv opnår PAMR halvtoneopløsninger på 137 nm lateralt og 550 nm aksialt, hvilket repræsenterer en cirka dobbelt forbedring i forhold til objektivets diffraktionsgrænse.
Robust ydeevne under forhold med sparsomt udsynRekonstruktioner med høj kvalitet opretholdes med op til 75 % synsreduktion. Når antallet af belysningsvinkler reduceres fra 120 til 30, forbliver rekonstruktionskvaliteten stabil, hvor SSIM-værdier overstiger dem, der opnås ved hjælp af konventionelle FPT-metoder.
Dhyana 400BSI V3 sCMOS-kameraunderstøttelse til LiteLoc-innovationer
Højtydende signaloptagelse og billedstabilitet er afgørende for den eksperimentelle validering af avancerede beregningsmikroskopialgoritmer. TucsenFL 9BWDet videnskabelige kamera leverer vigtige hardwarefunktioner, der understøtter PAMR-rammen.
LiteLoc SMLM-systemet anvender Tucsen Dhyana 400BSI V3 sCMOS-kameraet som sin kernebilleddetektor. Kameraets kombination af høj signal-støj-ydeevne og højhastighedsaflæsning giver kritisk hardwareunderstøttelse til at opnå teoretiske lokaliseringsgrænser og muliggør validering i et lukket kredsløb mellem algoritmeudvikling og eksperimentel billeddannelse.
1. Enestående signal-støj-forhold
Med en kvanteeffektivitet (QE) på op til 95% maksimerer Dhyana 400BSI V3 den effektive indsamling af enkeltmolekylefluorescenssignaler. Dens typiske udlæsningsstøj på 1,1 e⁻ (RMS) sikrer robuste signal-støjforhold under forhold med lav fotonindhold, hvilket danner et solidt fundament for LiteLoc til at opnå lokaliseringsnøjagtighed tæt på de teoretiske grænser.
2. Højhastighedsdataoutput
Dhyana 400BSI V3 leverer billeddannelse i fuld opløsning på op til 100 fps ved 2048 (H) × 2048 (V), hvilket svarer til en genereringshastighed for rådata på cirka 550 MB/s (11-bit). Denne hastighed matcher nøje LiteLocs analysehastighed på 567 MB/s, hvilket direkte understøtter systemets mål for billeddannelse med høj kapacitet.
Referencer
Fei, Y., Fu, S., Shi, W. et al. Skalerbar og let deep learning til effektiv og højpræcisions lokaliseringsmikroskopi af enkeltmolekyler. Nat Commun 16, 7217 (2025). https://doi.org/10.1038/s41467-025-62662-5
Meddelelse om ophavsretDenne artikel har til formål at give referencer til anvendelser relateret til videnskabelige kameraer. Dele af indholdet er uddrag fra relevante publicerede forskningsartikler. Alle ophavsrettigheder forbliver hos de oprindelige forfattere. Angiv venligst kilden, når du citerer eller genbruger dette materiale.
