Nat Commun丨徐平勇/袁琳团队开发3Snet-CLID：为通用显微镜披上"超人外衣"，开启活细胞纳米成像新纪元

在生命科学研究中，观察细胞内部纳米尺度的动态结构——如线粒体外膜、内质网和核孔复合体——对于理解生理和病理机制至关重要。然而，传统光学显微镜受阿贝衍射极限限制，分辨率止步于200纳米左右，难以分辨10-100纳米尺度的关键亚细胞结构。虽然超分辨显微镜技术已突破这一瓶颈，但大多需要昂贵的专用设备、高毒性光照强度或特殊荧光探针，难以在常规实验室普及。

“平民化”超分辨：让先进成像触手可及

转盘共聚焦显微镜因其操作简便、输出稳定、参数设定少，是生物实验室最通用的荧光成像设备之一。发展“平民化”超分辨成像技术，在通用显微镜上实现超分辨成像是成像领域多年来的追求目标。膨胀显微镜（ExM）虽然能在通用显微镜上实现纳米分辨率，但仅适用于固定细胞，无法实现活细胞动态超分辨观察，且膨胀过程可能改变天然结构。

计算超分辨：机遇与挑战并存

计算超分辨技术无需硬件改造即可提升通用显微镜的空间分辨率，因而成为活细胞成像的理想选择。然而，这一领域长期面临两大瓶颈：基于统计学的传统去卷积方法对噪声极度敏感，容易产生伪迹；而深度学习方法虽能降噪，却常因训练数据局限而缺乏通用性，面对未见过细胞结构时可能“hallucinate”（幻觉化）虚假细节。

3Snet-CLID：去噪、超分辨、保真三合一的创新解决方案

针对这些挑战，中科院生物物理研究所徐平勇/袁琳研究团队开发了3Snet-CLID技术——一种融合深度学习与物理模型的混合计算超分辨方法。该技术如同为通用显微镜披上“超人外衣”，使其空间分辨率提升5倍以上，达到约60纳米，实现活细胞中单帧动态纳米尺度观察。近日，该项研究在 Nature Communications 发表： High-fidelity single-frame computational super-resolution using signal-preserving denoising-enabled deconvolution 。

三大核心技术突破：

1. 高保真单像素去噪策略（3S方法）

该团队创新性地提出“单像素同步切换”（3S）去噪技术，将噪声精准分解为随机噪声和固定模式噪声。通过可逆切换荧光蛋白的ON/OFF状态，在单像素层面同步提取真实信号。这种方法在去噪的同时，完整保留原始信号的像素级强度分布——这一特性对后续准确去卷积至关重要。实验显示，3S去噪可将信噪比提升5.8倍，且生成的无噪声图像可作为高质量训练数据，解决了深度学习去噪网络"缺乏真值标签"的痛点。

2. 混合监督/自监督学习架构（3Snet）

基于3S去噪获得的高质量真值，该团队构建了3Snet去噪神经网络。它巧妙融合监督学习（锚定物理合理性）与自监督学习（增强对未知结构的鲁棒性），同时具有 精确性 和 泛化性 。更重要的是，3Snet在单像素级别操作，不预设任何结构形态先验，从根本上避免了结构幻觉问题。

3. 去噪-去卷积解耦策略（CLID）

与传统"端到端"深度学习超分辨不同，3Snet-CLID采用"先保真去噪，后物理去卷积"的两步策略。3Snet输出统计保真的高信噪比图像，再通过经典的Richardson-Lucy去卷积算法恢复高频信息。这种解耦设计既利用了深度学习的降噪优势，又保留了物理模型的可解释性和稳定性，有效规避了噪声在去卷积过程中放大产生伪迹的风险。

3Snet-CLID技术的独特价值在于，它无需任何硬件改造，即可在“平民化”显微镜上实现专业级活细胞超分辨成像，真正填补了“通用显微镜+活细胞+超分辨”这一长期存在的技术空白。无论是固定细胞还是活细胞，无论是传统荧光蛋白还是有机染料标记，该技术均表现出卓越的通用性和稳定性，且计算速度比现有稀疏去卷积方法快50-240倍。从线粒体外膜到内质网管腔，从肌动蛋白丝到核孔中心通道，3Snet-CLID已在多种亚细胞结构上验证了其分辨能力。它不仅能解析纳米尺度静态结构，更能捕捉活细胞中的动态过程（下图为内质网和线粒体双色动态成像），为细胞生物学研究提供了高保真、高通量的纳米成像平台。

3Snet-CLID代表了计算超分辨领域的正确求解思路： 高保真去噪是突破分辨率极限的前提和基础 ——严格保留原始信号的像素级强度分布，才能为去卷积提供物理上可信的输入；将噪声精准抑制在去卷积之前，才能规避噪声放大的伪迹陷阱；兼顾监督学习的精确性与自监督学习的泛化性，才能构建真正通用的智能去噪网络。这一求解思路在保真与分辨率之间找到了最优平衡，为通用显微镜赋予了"超人"般的视觉能力，让高质量的活细胞纳米成像从专业实验室走向每一位生物学家的日常研究，真正实现了超分辨技术的"民主化"。

更为深远的是，3Snet-CLID为整个超分辨领域提供了重要借鉴。生命科学领域长期存在一种偏好——更信赖基于硬件改造的超分辨方法（如SIM、STED等），认为这些方法“更可靠”，而计算超分辨常被视为“软件层面的修补”。然而，这一认知忽略了一个关键事实： 去卷积算法是所有超分辨技术的"隐形基石"，噪声对其的干扰是硬件与计算方法的共性难题，而非后者独有 。以活细胞成像中最常用的SIM为例，其重建过程本质上涉及线性逆滤波去卷积（如维纳滤波），无论是商业系统（如ZEISS Lattice SIM的双迭代去卷积流程）还是最新的Sparse-SIM，去卷积都是将原始数据转化为超分辨图像的关键步骤。研究表明，SIM重建算法对噪声极为敏感，容易产生"结构性噪声伪迹"——这些伪迹与真实信号难以区分，甚至引发学界争议。当信噪比不足时，去卷积会放大噪声而非恢复高频信息，导致分辨率提升受限。3Snet-CLID “ 从源头 高保真 降噪 ” 的范式，因而为硬件超分辨同样提供了重要参考。

https://www.nature.com/articles/s41467-026-70791-8

制版人： 十一

学术合作组织

（*排名不分先后）

战略合作伙伴

（*排名不分先后）

转载须知

【非原创文章】本文著作权归文章作者所有，欢迎个人转发分享，未经作者的允许禁止转载，作者拥有所有法定权利，违者必究。

BioArt

Med

Plants

人才招聘

近期直播推荐

点击主页推荐活动

关注更多最新活动！