自驱动显微镜智能预测蛋白质聚集起始：实现无标记布里渊动态成像新突破

本研究针对蛋白质聚集过程难以捕捉的难题，开发了基于深度学习的自驱动显微镜系统AEGON，可仅凭可溶性蛋白的荧光图像以91%准确率预测聚集起始，触发多模态成像捕获动态过程。创新性地将布里渊显微镜(BM)与人工智能结合，首次实现聚集全过程生物力学性质的动态监测，并开发IC-LINA模型通过明场图像无标记识别聚集体。该技术为神经退行性疾病中蛋白质错误折叠机制研究提供了革命性工具。

在神经退行性疾病研究中，蛋白质异常聚集如同细胞内的"定时炸弹"——亨廷顿病(HD)中突变亨廷顿蛋白(Htt^ex1)的聚集体形成过程具有高度随机性，传统显微镜因成像速度与分辨率限制，难以捕捉这个转瞬即逝的关键时刻。更棘手的是，现有生物力学检测技术如原子力显微镜(AFM)或光镊(OT)要么速度不足，要么存在侵入性损伤，而新兴的布里渊显微镜(BM)虽具无标记优势，却受限于点扫描模式的低效率。这些技术瓶颈严重阻碍了科学家们揭示蛋白质聚集与细胞机械特性变化的关联机制。

瑞士洛桑联邦理工学院(EPFL)与欧洲分子生物学实验室(EMBL)的研究团队在《Nature Communications》发表突破性成果。他们开发的AEGON深度学习模型仅需单张荧光图像即可预测聚集事件，触发自驱动显微镜(SDM)系统切换至优化成像模式。通过融合视觉变换器(ViT)架构与实时反馈控制，该系统首次实现聚集全过程的动态BM监测，并创新性开发IC-LINA模型实现明场图像的无标记聚集体识别。

关键技术包括：1) 搭建可同步获取8个z平面荧光与定量相位图像(QPI)的自定义显微镜系统；2) 采用HEK293细胞表达Htt^ex1-72Q-GFP构建聚集模型；3) 开发VGG16-LSTM和ViT架构的神经网络对比分析；4) 集成双级VIPA光谱仪与Lyot滤波器的定制BM系统；5) 建立包含71个聚集事件和69个非事件的数据集。

准确预测蛋白质聚集触发优化多模态成像
AEGON模型在测试集达到91%准确率(F1分数0.9)，其单时间点单平面版本仍保持86%准确率。如图1所示，系统成功预测聚集起始后，自动切换至包含BM的多模态成像模式，捕获到聚集体的纵向模量(反映粘弹性)从6.39±0.05GHz增至6.51±0.04GHz的动态变化。

方法的普适性验证
研究团队在完全不同的BM系统上验证了AEGON的跨平台适用性（图3）。ViT架构展现显著优势，其自注意力机制能有效捕捉可溶性蛋白的细微特征变化，为模型泛化能力提供架构保障。

亨廷顿蛋白聚集的动态布里渊成像
如图4所示，聚集区域的布里渊线宽从0.54±0.06GHz增至0.58±0.06GHz，证实聚集过程伴随内部分子相互作用增强。这种实时生物力学变化监测为理解聚集体的相变行为提供了全新维度。

智能布里渊显微镜实现完全无标记研究
IC-LINA模型以97%准确率实现明场图像的聚集体识别（图5），彻底摆脱传统BM研究对荧光标记的依赖。该突破不仅减少光毒性，更保留了BM的无标记优势，为临床诊断应用铺平道路。

这项研究开创性地将人工智能与自适应光学相结合，解决了蛋白质聚集研究中的三大核心难题：起始预测的随机性、动态过程捕获的时效性、以及生物力学检测的侵入性。特别值得注意的是，聚集体的机械特性变化可能影响其清除速率，这一发现为开发针对不同聚集阶段的靶向疗法提供了新思路。研究者强调，该SDM框架可扩展至其他动态细胞过程研究，如转录因子核转位或有丝分裂事件监测，其模块化设计也为整合拉曼光谱等无标记技术预留了接口。这项技术突破不仅推进了对神经退行性疾病分子机制的理解，更开创了智能显微镜研究的新范式。