当AI进入超分辨显微镜：为神经细胞纳米动态建立可信成像框架 | 陈良怡课题组

神经系统的信息处理依赖多重空间和时间尺度。突触结构重塑、轴突运输、线粒体动态和膜运输发生在几十至数百纳米尺度，却可能从毫秒持续到数小时。要观察这些过程，显微镜既要分辨微小结构，也要在有限光子预算下保持足够速度，并避免光漂白和光毒性改变原本要研究的生命过程。

近日，北京大学未来技术学院、IDG麦戈文脑科学研究所陈良怡教授团队与张阳教授团队合作完成的综述 “AI-empowered super-resolution microscopy: a revolution in nanoscale cellular imaging ”正式刊载于《 Nature Methods》 2026年9月刊，并收录于期刊“Focus on AI in biological research”专题合集。该综述系统梳理人工智能在超分辨显微成像中的方法、资源与验证问题，为AI如何服务纳米尺度生命动态观察提供统一框架。

更锐利的图像不一定包含更可靠的信息

AI能够从低照明、低信噪比或有限采样数据中抑制噪声、校正模糊并加快超分辨重建。这对光敏感的神经细胞和长时程动态观测具有直接吸引力：在相同光子预算下，研究者有机会获得更高的信息利用效率。

但神经细胞中的弱小、短暂结构也容易与噪声和重建伪影混淆。如果模型过度依赖训练数据中的形态先验，它可能平滑掉真实的少见事件，也可能生成符合“常见形态”却不受当前测量支持的结构。因此，AI输出必须回到原始测量、成像物理和独立验证中接受检验。

综述将AI超分辨显微成像中的常见需求归纳为去噪、弱光增强、去模糊和超分辨重建，并把输入与真值条件、学习范式、网络骨架、显微模态和评价方法连接起来。文章还区分了自然图像超分辨与显微超分辨：显微图像由点扩散函数、光学调制、光子统计、探测噪声和重建过程共同形成，不能只用视觉相似度判断结果。

AI赋能超分辨显微图像重建的统一框架

对脑科学而言，这套框架的重要意义在于把AI从“图像后处理工具”放回完整的实验链：先定义需要观察的神经结构或动态，再根据光子、速度和样本稳定性设计采集，利用模型提高信息提取效率，最后用定量指标、独立成像或生物学参照验证结果。它为未来更快速、更温和且可复现的神经细胞纳米成像提供了方法学参考，但具体生物学结论仍需由相应实验逐一检验。

李森、孟翔杰为论文共同第一作者；张阳教授与北京大学陈良怡教授为共同通讯作者；北京大学周博、田文丰参与该综述。该工作获得国家自然科学基金、国家重点研发计划、深圳市相关科研项目、北京大学高性能计算平台及新基石科学基金会等支持。

原文链接：https://doi.org/10.1038/s41592-025-02871-4