人工智能驱动的方法增强了复杂生物系统的电子显微镜成像能力

电子显微镜使细胞内部复杂细节的可视化成为可能。三维电子显微镜(称为体积电子显微镜 (vEM))的进步进一步扩展了这种三维纳米级成像能力。然而，成像速度、质量和样本大小之间的权衡仍然限制了可实现的成像面积和体积。

人工智能(AI)正在成为各个科学领域的关键力量，推动科学突破并成为科学过程中的重要工具。

受到人工智能图像生成模型的最新突破，特别是先进扩散模型的开发的启发，由香港大学化学系蒋海波教授和电气电子工程系齐小娟教授领导的研究团队开发了一套基于扩散模型的算法，称为 EMDiffuse。

这一创新解决方案旨在增强成像能力，解决 EM 和 vEM 面临的权衡问题。该团队的研究成果最近发表在《自然通讯》上。

对于传统的 2D EM，EMDiffuse 擅长恢复具有高分辨率超微结构细节的逼真、高质量视觉效果，即使是从嘈杂或低分辨率的输入中也是如此。与其他基于深度学习的去噪或超分辨率方法不同，EMDiffuse 采用一种独特的方法，从目标分布中采样解决方案。

EMDiffuse 将低质量图像作为其基于扩散的流程中每一步的条件或约束，以确保生成结构的准确性。这意味着低质量输入被积极用于指导和塑造修复，而不仅仅是作为起点。

扩散模型可以有效防止模糊，保持与地面实况相当的分辨率，这对于详细的超微结构研究至关重要。此外，EMDiffuse 的通用性和可迁移性使其可以直接应用于各种数据集，或者仅使用一对训练图像进行最少的微调后即可应用于各种数据集。

在 vEM 中，当前的硬件通常难以捕获大样本的高分辨率 3D 图像，尤其是在深度(或“z 方向”)上，这使得难以充分研究线粒体和内质网等重要细胞成分的 3D 结构。

EMDiffuse 通过两种灵活的方法解决了这个问题。它可以使用“各向同性”训练数据(即在所有维度上都具有均匀、高分辨率的 3D 图像数据集)来学习如何增强其他 3D 数据的轴向分辨率。

另外，EMDiffuse 还可以通过自监督技术分析现有的 3D 图像并提高其深度分辨率，而无需专门的训练数据。这种多功能性使 EMDiffuse 能够提高不同研究应用中3D电子显微镜数据的质量和实用性。

恢复的体积在研究超微结构细节方面表现出卓越的准确性，例如线粒体嵴和线粒体与内质网之间的相互作用，这些细节在原始各向异性体积中很难观察到。由于 EMDiffuse 不需要各向同性的训练数据，因此可以直接应用于任何现有的各向异性体积以提高其轴向分辨率。

EMDiffuse 代表了 EM 和 vEM 成像能力的重大进步，提高了图像质量和生成数据的轴向分辨率。“有了这个基础，我们可以设想进一步开发和加速 EMDiffuse 算法，为深入研究大型生物系统内复杂的亚细胞纳米级超微结构铺平道路，”该论文的通讯作者之一江海波教授说。

“随着这项人工智能成像技术的成熟，我们很高兴看到它如何帮助研究人员揭示生物系统中以前未被发现的运行机制，”该论文的另一位通讯作者齐小娟教授说。