Py学习  »  机器学习算法

Nature Methods/Cell连发3篇 | 清华大学戴琼海等团队使用深度学习的方法,去噪加强钙成像促进神经元回路分析

iNature • 3 年前 • 606 次点击  


编者按


iNature是中国最大的学术公众号,由清华大学,哈佛大学,中科院等多单位的博士团队联合打造,现推出iNature人才公众号,专注于人才招聘,学术进展,科研资讯,感兴趣的可以长按或者扫描下方的二维码关注我们。

iNature


钙成像提供了一种以单细胞分辨率监测神经回路活动的方法,从而改变了神经科学研究。然而,钙成像本质上容易受到检测噪声的影响,尤其是在以高帧率或低激发剂量成像时。
2021年8月16日,清华大学戴琼海,方璐及王好谦共同通讯在Nature Methods 在线发表题为”Reinforcing neuron extraction and spike inference in calcium imaging using deep self-supervised denoising“的研究论文,该研究开发了 DeepCAD,这是一种自我监督的深度学习方法,用于钙成像数据的时空增强,不需要任何高信噪比 (SNR) 观察。DeepCAD 抑制检测噪声,将信噪比提高十倍以上,从而增强了神经元提取和尖峰推理的准确性,并促进了神经回路的功能分析。

另外,2021年5月25日,清华大学戴琼海,俞立及范静涛共同通讯在Cell 在线发表题为”Iterative tomography with digital adaptive optics permits hour-long intravital observation of 3D subcellular dynamics at millisecond scale“的研究论文,该研究提出了一种计算成像框架,称为数字自适应光学扫描光场相互迭代层析成像(DAOSLIMIT),它具有高速,高分辨率3D成像,平铺波前校正和紧凑型系统的低光毒性。通过同时对整个体积进行层析成像,该研究获得了在225×225×16μm3范围内的体积成像,在数十万个时间点上,毫秒级的横向分辨率高达220 nm,轴向分辨率高达400 nm。为了建立功能,该研究探索了中性粒细胞迁移和肿瘤细胞循环过程中不同物种的大规模细胞迁移和神经活动,并观察了哺乳动物的各种亚细胞动力学(点击阅读)。

2021年1月21日,中国科学院生物物理研究所李栋及清华大学戴琼海共同通讯Nature Methods 在线发表题为“Evaluation and development of deep neural networks for image super-resolution in optical microscopy”的研究论文,该研究使用多模态结构照明显微镜 (SIM),首先提供了一个广泛的 LR-SR 图像对数据集,并在结构复杂性、信噪比和放大因子方面评估了深度学习 SR 模型。其次,该研究设计了深度傅立叶通道注意网络 (DFCAN),它利用不同特征之间的频率内容差异来学习有关不同生物结构的高频信息的精确分层表示。第三,该研究展示了 DFCAN 的傅立叶域聚焦能够在低信噪比条件下稳健地重建 SIM 图像。该研究证明,在多色活细胞成像实验中,DFCAN 在 10 倍以上的持续时间内实现了与 SIM 相当的图像质量,这揭示了线粒体嵴和类核的详细结构以及细胞器和细胞骨架的相互作用动力学(点击阅读)。



钙成像能够并行记录活体动物的大型神经元集合,并提供破译神经回路中信息传播、整合和计算的可能性。为了准确提取神经元和进行进一步分析的尖峰推断,需要高信噪比钙成像。然而,由于体内钙瞬变的低峰值积累和快速动态导致荧光光子的缺乏,钙成像容易受到噪声污染的影响,特别是在高时间分辨率对于分析神经活动很重要。

为高 SNR 钙成像捕获足够荧光光子的最直接方法是使用高激发剂量,但同时发生的光漂白、光毒性和组织加热对样品健康和光敏生物过程有害。更有效的策略包括使用更亮的钙指示剂和更先进的光电检测技术,但它们的性能在光子限制条件下仍然受到很大限制,例如树突成像和深部组织成像。除了这些物理或生物方法之外,数据驱动的方法可以提供另一种解决方案,从退化的记录中恢复忠实的信号,并减少钙成像的光子数量。

作为一种先进的信号处理技术,深度学习在荧光成像中取得了良好的性能。然而,钙瞬变构成高度动态的、非重复的活动,并且不能两次捕获放电模式。以前通过延长积分时间或平均多个噪声帧来获得训练真值(即没有噪声污染的图像或与低 SNR 图像具有相同底层场景的高 SNR 图像)的方案不再可行。

在这里,该研究介绍了 DeepCAD,这是一种用于钙成像数据去噪的自监督学习方法,可实现十倍以上的 SNR 提高,而无需任何高 SNR 观察进行训练。在钙成像的背景下,该研究探索了视频速率 (~30 Hz) 成像的时间冗余,并发现任何两个连续帧都可以被视为相同底层触发模式的两个独立采样。因此,由两个连续帧组成的图像对可用于去噪模型的训练。此外,DeepCAD 的输入和输出数据被设计为三维 (3D) 体积而不是二维 (2D) 帧,以充分利用延时堆栈中的时空信息。

该研究在模拟和实验数据上定量评估了该研究的方法。该研究表明,这种 3D 自监督方法对于钙成像去噪是有效的,甚至可以从严重损坏的图像中恢复由单个动作电位 (AP) 引起的钙波动。最后,该研究发布了一个基于Fiji的插件,使该研究的方法易于访问和使用。


参考消息:
https://www.nature.com/articles/s41592-021-01225-0



END

内容为【iNature】公众号原创,

转载请写明来源于【iNature】



微信加群


iNature汇集了4万名生命科学的研究人员及医生。我们组建了80个综合群(16个PI群及64个博士群),同时更具专业专门组建了相关专业群(植物,免疫,细胞,微生物,基因编辑,神经,化学,物理,心血管,肿瘤等群)。温馨提示:进群请备注一下(格式如学校+专业+姓名,如果是PI/教授,请注明是PI/教授,否则就直接默认为在读博士,谢谢)。可以先加小编微信号(iNature3),或者是长按二维码,添加小编,之后再进相关的群,非诚勿扰。



投稿、合作、转载授权事宜

请联系微信ID:18217322697 或邮箱:921253546@qq.com



觉得本文好看,请点这里!

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/118611
 
606 次点击