深度学习赋能深海沉积物微生物检测：基于ResNet-18的客观细胞识别新方法

《Scientific Reports》：Deep learning for microbial life detection in deep subseafloor samples: objective cell recognition

针对深海沉积物中微生物细胞因颗粒干扰难以准确识别的问题，研究团队开发了一种结合SYBR-DiCE荧光染色与深度学习（ResNet-18模型）的细胞自动识别方法。该技术通过四分类（单细胞/多细胞/模糊/非细胞颗粒）实现了88.8%的准确率，经置信度阈值优化后提升至96.6%，显著降低了对人工鉴定的依赖，为复杂环境微生物检测提供了高效工具。

　　

在浩瀚的海洋之下，隐藏着一个规模惊人的微生物世界。据研究估算，海底沉积物中的微生物总量可能超过整个海洋水体中的微生物数量，达到惊人的5.4×10²⁹个细胞。然而，要从这些充满泥沙颗粒的复杂样本中准确识别出微小的微生物细胞，却是一项极具挑战性的任务。

传统的微生物检测方法在面对深海沉积物样本时遇到了巨大困难。这些样本中超过90%是粒径仅数微米的细小颗粒，它们会吸附SYBR Green I（SYBR-I）等DNA荧光染料，产生与微生物细胞相似的荧光信号。虽然SYBR-DiCE（Discriminative Cell Enumeration）技术通过高浓度SYBR-I诱导的颜色差异（微生物细胞呈绿色，多数颗粒呈黄色）提供了一定区分能力，但仍有部分颗粒会呈现类似细胞的绿色荧光，使得准确识别仍需依赖训练有素的专家进行主观判断。

为了解决这一难题，日本海洋研究开发机构（JAMSTEC）等机构的研究团队在《Scientific Reports》上发表了一项创新研究，将深度学习技术应用于深海沉积物样本的微生物细胞识别。他们开发了一种基于ResNet-18卷积神经网络的分类器，能够自动识别和区分显微镜图像中的微生物细胞与非细胞颗粒。

关键技术方法

研究团队整合了荧光显微成像与深度学习算法：首先通过SYBR-DiCE法对来自多个大洋钻探计划（IODP）站点的沉积物样本进行染色和成像；随后利用自适应绿色荧光阈值检测并裁剪出48×48像素的候选颗粒图像；最终构建ResNet-18模型进行二分类（细胞/非细胞）和四分类（单细胞/多细胞/模糊图像/非细胞颗粒），并通过数据增强和置信度阈值优化提升分类准确性。

研究结果

颜色预筛选降低细胞检测计算成本

研究采用SYBR-DiCE方法，通过设置自适应绿色荧光阈值和绿红比值（G/R ratio）筛选候选颗粒，有效减少了后续深度学习处理的数据量。每个检测到的颗粒被裁剪为7.7×7.7μm的图像区域，覆盖典型微生物细胞（1-2μm）的同时最小化背景干扰。

分类器准确性及对未知图像的预测

二分类模型在测试集上达到94.1%的准确率，但对暗荧光和模糊图像的误判率较高。四分类模型通过图像增强技术将准确率提升至88.8%，其中单细胞类别（Class 0）的F值达0.93，而模糊图像类别（Class 2）的识别性能相对较低（F值=0.52）。

详细分析与优化

研究发现，荧光强度低和图像模糊是主要误差来源。通过设置0.7的置信度阈值并预筛选模糊图像，四分类和二分类模型的准确率分别提升至93.7%和96.6%。与既往研究相比，该模型在低分辨率、高颗粒干扰环境中表现出优越的适应性。

结论与意义

该研究成功构建了针对低分辨率微生物图像的深度学习分类系统，通过ResNet-18模型实现了复杂沉积物样本中微生物细胞的客观识别。优化后的分类精度可达96.6%，显著降低了对专业训练的依赖，为深海生物圈研究提供了可靠的技术支持。未来该技术可扩展至其他复杂环境样本的微生物检测，推动环境微生物学研究的标准化与自动化进程。