科学家让活细胞成像既全又清

北京大学未来技术学院席鹏教授的团队研发出一种名为LargePNet的新型AI网络，解决了当前AI辅助荧光成像领域面临的“管中窥豹”困境。传统方法将大尺寸图像分割成小块进行训练，导致AI缺乏全局视角，难以准确复原细胞结构。席鹏教授解释说，荧光成像与自然图像不同，细胞器在小视野下常呈现重复结构，区分结构与噪声的关键信息隐藏在整体关联中。

以往的AI模型采用“碎照片”训练方式，如同让AI通过零散信息学习摄影，无法理解“整只豹子”的全貌。这种训练方式使得AI在处理完整大图时，因缺乏全局认知而导致保真度不足和抗噪性差。席鹏指出，荧光图像中，生物结构在大视野范围内存在长程关联，例如微管蛋白纤维可能贯穿整个图像，而碎片化训练剥夺了AI理解这种全局结构的能力。

为了克服这一障碍，席鹏团队提出了LargePNet，其核心理念是直接使用大于512×512像素的大视野图像训练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，直接处理大图对传统神经网络提出了挑战，包括建立足够大的“感受野”以理解全局结构，以及控制计算量避免GPU内存溢出。LargePNet通过融合全局“骨架”与局部“细节”，实现了既能全面观察又能清晰成像。

该技术的实际效果显著。在八项涉及不同显微模态的降噪和去模糊任务中，LargePNet的峰值信噪比提升了0.5至2分贝，大图推理效率提高了4至20倍。团队利用这项技术成功实现了长达30小时、分辨率为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，并清晰展示了内质网、线粒体和微管三种细胞器的相互作用。

此外，团队还提供了“适用范围说明书”，指出当小图块与大视图的统计信息偏差越大时，LargePNet的复原优势越明显。这意味着研究者可以根据自身数据的特点，判断何时采用这套“大局观”模型。目前，全部Python源码、训练数据和模型已开源，供全球科研人员使用。这项技术的突破，对于理解细胞动态过程具有重要意义，也为未来生命科学研究提供了更强大的成像工具，犹如在了解复杂的世界杯赛程时，能够看到全局的赛程安排，而不仅仅是某一场比赛的细节。