编辑推荐：
深度学习超分辨率显微镜发展迅速，但公共数据集稀缺限制其发展。研究人员构建 DL-SMLM 生物图像数据集，含 6 种亚细胞结构的低分辨率荧光与超分辨率 SMLM 配对图像。该数据集助力训练模型，对深度学习超分辨率显微镜发展意义重大。
在生物学研究的微观世界里，荧光显微镜一直是科研人员探索细胞奥秘的得力助手。然而，传统光学显微镜就像被施了魔法的 “矮人”，受限于衍射极限，其分辨率总是差强人意，无法让科研人员看清细胞内更精细的结构。超分辨率显微镜的出现，打破了这一僵局，它就像给显微镜装上了 “超级放大镜”，让科研人员能窥探到细胞的微观细节。其中，单分子定位显微镜（SMLM）更是凭借超高的空间分辨率，成为获取超分辨率图像的理想之选。
不过，科研之路并非一帆风顺。基于深度学习的超分辨率显微镜技术发展迅速，它能通过计算重建，将低分辨率（LR）图像转化为高分辨率（HR）图像。但这项技术的发展却遭遇了 “数据瓶颈”，高质量的超分辨率图像数据集极度匮乏。要知道，超分辨率模型的训练离不开大量 LR 和 HR 图像对，而获取高质量 SMLM 数据困难又耗时，开源的 SMLM 数据集少之又少，这就像给疾驰的汽车踩了刹车，严重阻碍了深度学习超分辨率显微镜技术的发展。
为了突破这一困境，中国科学院生物物理研究所的研究人员勇挑重担，开展了一项极具意义的研究。他们构建了一个全新的生物图像数据集 ——DL-SMLM，专门用于训练深度学习超分辨率显微镜模型，尤其是基于 SMLM 的方法。
研究人员通过一系列复杂且精细的操作获取了该数据集。在光学设置上，他们搭建了基于尼康 Ti2-U 倒置荧光显微镜的全内反射荧光（TIRF）显微镜，利用多种激光、高数值孔径物镜、4 - 带滤光片组和 sCMOS 相机进行成像，并通过实时锁定聚焦系统和 PIEZO 台确保 LR 图像和 SMLM 图像精确对齐。样本制备方面，COS - 7 细胞经不同处理，采用随机光学重建显微镜（STORM）和 DNA 点积累纳米级成像（DNA - PAINT）两种方法进行 SMLM 成像。数据采集时，针对不同成像方法设置了特定的激光功率、曝光时间和帧数。最后，通过特定软件和参数对原始数据进行处理，完成 HR 图像重建。
研究结果丰富且具有重要价值。DL-SMLM 数据集包含六种亚细胞结构，即网格蛋白包被小窝（CCPs）、微管、内质网（ER）腔、ER 膜、线粒体（OMM）外膜和线粒体（IMM）内膜的 LR 和 HR 图像对。对于每个 LR 图像数据，提供 100 帧原始图像堆栈，可生成不同信噪比的 LR 图像；HR 图像像素尺寸为 16.25nm，相比 LR 图像（像素尺寸 130nm）分辨率提升 8 倍 ，还上传了原始定位数据，方便用户自定义 SMLM 重建。例如，ER 膜之间的中空结构宽度可分辨至 81.25±16.25nm，CCP 直径为 195nm。通过 DNA 折纸成像验证了光学系统的分辨率和稳定性，20nm 和 10nm 网格 DNA 折纸结构可被清晰分辨。利用 DL-SMLM 训练单帧超分辨率显微镜（SFSRM）模型，测试数据中模型输出与真实 SMLM 参考具有高结构一致性；在活细胞成像中，可观察到 OMM 和 ER 膜的形态变化，而这些在 LR 图像中难以辨别。
研究结论表明，DL-SMLM 数据集数据质量高，能够有效训练高性能的超分辨率模型，为深度学习超分辨率显微镜的发展提供了关键支持，使科研人员在细胞微观结构研究上迈出了重要一步。该研究成果发表在《Scientific Data》上，为该领域的研究开辟了新的道路，有望推动深度学习超分辨率显微镜技术的进一步发展，助力科研人员更深入地探索细胞内的奥秘，在生命科学研究领域具有重要的意义。
主要技术方法：
研究采用了 TIRF 显微镜成像技术，用于获取样本图像。通过免疫荧光标记技术，对不同亚细胞结构进行标记以便观察。利用 STORM 和 DNA-PAINT 两种 SMLM 成像方法获取超分辨率图像。在数据处理阶段，运用 “Picasso: Localize” 软件进行单分子斑点识别和拟合，使用 ThunderSTORM 插件结合特定方法重建 HR 图像。
