近日，南方科技大学生物医学工程系李依明副教授课题组在三维超分辨成像领域取得研究进展，相关成果以“Aberration-aware 3D localization microscopy via self-supervised neural-physics learning”为题，发表于国际学术期刊 Nature Communications。

研究团队提出了一种自监督神经物理学习框架 LUNAR（Localization Using Neural-physics Adaptive Reconstruction）。它打破了传统方法对稀疏点光源校准数据的依赖，实现了无需预校准的“盲解”高保真三维纳米成像。

在结构细胞生物学研究中，单分子定位显微镜（SMLM）已能将光学成像分辨率提升至纳米级。然而，这项技术的超高分辨率往往极度依赖精准的“点扩散函数（PSF）”预校准。在面对复杂生物样本或深层成像时，未知的光学像差一直是限制其性能的“阿喀琉斯之踵”。传统的校准方法不仅繁琐，而且在面对高密度、低信噪比的数据时往往无能为力。

传统的极大似然算法依赖预校准，而纯深度学习方法则是“黑箱”。LUNAR另辟蹊径，开创性地将神经网络“编码器”与基于物理光学定律的“解码器”有机结合。该框架采用自监督学习策略，无需大量训练数据对，就能直接从原始且重叠的单分子图像中同时学会分子的三维位置与系统的像差信息。同时，解码器严格遵循矢量光学衍射理论，拒绝了传统AI生成的“黑箱”限制，为复杂像差建模赋予了明确的物理意义。在架构层面，网络中引入的 ConvNeXt 和 Transformer 模块有效捕获了多帧图像间的时空特征，这使得该模型的多帧连续定位精度能够达到理论信息极限。

图1 LUNAR的原理

在全面的基准测试中，LUNAR 展现出了远超现有主流算法的鲁棒性。在处理带有不同程度未知像差的模拟数据时，其定位误差较当前最优方法降低了6倍以上。即使在散光分子信号高度重叠的极端条件下，该框架依然能维持极高的三维定位效率与像差估计精度。得益于其内置的时空注意力机制，LUNAR 在多帧定位任务中展现出逼近克拉美罗下界（CRLB）的卓越性能。在全自动化的分析流程中，LUNAR能够自主识别并修正由环境或样本像差引起的模型失配，极大地降低了单分子显微镜的应用门槛。

图2 LUNAR的全方位基准测试

无需繁琐的 PSF 预校准，LUNAR 在各类极具挑战性的真实生物样本中展现出了广泛的适用性。首先在常规三维超分辨成像中，即使面对校准数据过期或样本存在未知像差的情况，LUNAR 依然精准重构出了微管的中空形态以及核孔复合物（NPC）在全焦深范围内的轴向双层环状结构。针对大景深全细胞成像时信号严重重叠的难题，LUNAR 成功实现超分辨“盲重构”，不仅清晰还原了大轴向深度的线粒体外膜蛋白簇，还完整揭示了培养神经元中密集交织的 βII-spectrin 三维周期性骨架，彻底消除了传统深度学习定位偏差带来的网格伪影。此外，LUNAR 还展现出极强的多模态兼容性，结合自适应光学系统深入50 μm厚的小鼠脑切片深层组织，成功实现轴突起始段骨架的高保真重构，并在晶格光片显微镜采集的全细胞 kinesin 动态追踪及多色成像任务中同样表现优异。

图3 LUNAR的免校准三维超分辨成像

图4 LUNAR实现单步全细胞超分辨盲重构

LUNAR 框架通过将深度学习与物理光学模型深度融合，成功攻克了模型失配、复杂像差干扰以及高密度信号重叠等长期存在的瓶颈问题，为 SMLM 提供了一种全新的“盲分析”范式。未来，这种神经物理协同驱动（Neural-physics learning）的设计思路有望扩展至更多计算成像模态。团队也将进一步简化软件界面，降低技术门槛，助力全球生命科学研究者获取更深、更准、更清晰的微观世界图像。

论文第一作者为南方科技大学博士后傅爽，李依明为通讯作者。南方科技大学为论文第一单位。该研究得到了国家重点研发计划、国家自然科学基金、深圳市医学研究专项资金、南方科技大学校长卓越博士后等多个项目的资助。

原文链接：https://www.nature.com/articles/s41467-026-73045-9

供稿：生物医学工程系

通讯员：肖然

主图：丘妍

编辑：曾昱雯