这是一个多功能表型分析平台，结合了三光子显微镜技术、优化的组织透明化处理以及深度学习信号分离方法，实现对多器官组织全深度的多细胞器表型分析

《Plant Communications》：A versatile phenotyping platform combining three-photon microscopy, optimized tissue clearing, and deep-learning signal separation for full-depth multi-organelle phenotyping

　　

摘要

在亚细胞水平上成像植物器官的内部结构对于理解光合作用、生长和应激反应等关键过程至关重要。然而，传统的光学显微镜由于强烈的光散射以及自荧光成分（尤其是叶绿素）的光谱干扰，难以观测深层组织。为克服这些难题，我们开发了一个集成平台，该平台结合了深穿透三光子显微镜（3PM）、组织透明化技术和自定义深度学习网络（SE-UNet）来实现智能信号分离。首先，我们提出的蔗糖真空渗透折射率优化（Su-VIRO）方法显著降低了光散射。结合3PM技术后，该平台成功突破了实际散射限制，能够对整个拟南芥叶片（>230 μm）内的叶绿体进行高分辨率的三维成像。研究发现了从栅栏组织到海绵组织中叶绿体的大小和分布梯度。其次，为了在不增加额外硬件的情况下分离这些干扰信号，我们开发了SE-UNet。该网络在小型标记数据集上进行训练，能够从单波长成像数据中计算分离出重叠信号，从而在同一叶片体积内同时显示叶绿体、细胞壁、线粒体和核的结构。空间分析结果表明，这些细胞器的排列并非随机，而是与它们的功能相互作用一致，这证明了该平台在细胞器空间分析方面的能力。此外，我们还通过水稻叶片中叶绿体和质膜的双通道成像进一步验证了该平台的适用性。我们的工作为植物细胞生物学研究建立了一个多功能、适用于深层组织的多参数表型分析平台，为未来的基因型到表型研究提供了有力支持。