Nature Methods | NeAT把自适应光学“算”进了活体双光子|信号|光学|双光子|显微镜|波前|自适应

认知神经科学前沿文献分享

基本信息

Title:Adaptive optical correction for in vivo two-photon fluorescence microscopy with neural fields

发表时间:2026.4.13

发表期刊:Nature Methods

获取原文:

1. 添加小助手:PSY-Brain-Frontier即可获取PDF版本

引言

双光子荧光显微成像（two-photon fluorescence microscopy, 2PFM）之所以能在活体脑研究中长期占据核心位置，关键在于它兼顾了成像深度与亚细胞尺度分辨率。但这项技术越往组织深处走，越容易遇到一个老问题：光在不同折射率介质中传播时会不断积累像差，最终让焦点扩散、信号变暗、分辨率和对比度一起下降。对于树突棘、突触输入这类本就微弱且细小的信号，这种退化往往不是“看得差一点”，而是直接影响能否被稳定识别和定量。

自适应光学（adaptive optics, AO）本来就是为校正这类波前畸变而发展的，但现实部署门槛并不低。许多方案依赖定制显微镜、严格的共轭光路以及额外的波前传感器；而在普通生物实验室更常见的商业显微镜上，光路可调性有限，扫描器与波前整形器之间的共轭关系也未必理想。再进一步到了活体成像场景，呼吸、心跳和组织位移会在三维图像栈采集过程中引入层间错位，使间接像差测量更容易失真。与此同时，一些数据驱动方法虽然能做图像增强，却依赖外部训练集，限制了跨平台与跨样本的直接迁移。

实验设计与方法逻辑

NeAT 的输入是扫描获得的单个 3D 双光子荧光图像栈。作者用物理约束的图像形成模型把观测图像分解为点扩散函数、样本结构和基线背景三部分，其中像差由 Zernike 模式系数表示，结构由神经场连续建模，背景则用低秩项描述。优化目标是在无监督条件下，让重建图像栈尽量逼近输入图像栈，损失函数结合结构相似性（SSIM）、相对均方误差（rMSE）和结构正则项。

核心发现

发现一：NeAT 能从单个 3D 图像栈中联合恢复结构并给出接近直接波前传感的像差估计

全文最基础的问题，是 NeAT 在没有外部训练集的前提下，是否真的“测到了”可信的像差，而不只是做了图像增强。Figure 2a–d 在固定 Thy1-GFP 脑片上的对照给出关键证据：NeAT 从输入图像栈恢复出的三维神经结构能分辨神经突起、boutons 和 dendritic spines，同时其估计的相位图与 DWS 测得结果相近，二者 RMS difference 为 0.09 wave，主导模式如 primary coma 和 spherical aberration 的系数也相互吻合。

Figure 2. Performance characterization with DWS AO in a custom-built 2P microscope

发现二：NeAT 的适用性有明确边界，信噪比、像差强度与采样率共同决定其可靠工作区间

方法学论文若只展示最好结果，很难指导真实使用；Figure 2j–o 和 Extended Data Figs. 4–7 的价值就在于，它们系统给出了 NeAT 的性能边界。作者在微珠和固定脑片数据中逐步降低 SNR，发现当信号过低时，恢复结构会开始碎裂并拟合噪声，像差误差也同步上升。对应 cutoff SNR 在微珠数据中为 1.51（astigmatism）和 1.60（coma），在脑片数据中为 1.92（coma）和 1.52（astigmatism）。

Figure 1. NeAT estimates aberration and recovers structure from a 3D input image stack

发现三：在商业显微镜上，NeAT 能识别并补偿共轭误差，显著增强波前校正的实际效果

本文区别于许多只在理想定制系统中演示 AO 的关键一步，体现在 Figure 3。作者指出商业显微镜中常见的问题不是单纯“有像差”，而是校正相位在传到物镜后焦面时会因为平移、旋转、缩放和剪切而失真，因此即便像差估计正确，施加的补偿也可能不到位。为此，他们把这一失真写成仿射变换 H，并用 5 组校准像差加 200 nm 荧光微珠图像反求 H。

Figure 3. NeAT corrects for conjugation errors in a commercial microscope

发现四：在活体鼠脑的结构与功能成像中，NeAT 把像差校正转化成了更清晰的形态信息和更稳健的功能读出

前面的结果建立了方法学可靠性，而 Figure 4、Figure 5 和 Extended Data Fig. 9 则回答这套框架能否真正改善生物学测量。结构成像中，Figure 4a–c 显示在 350 µm 深度，只有同时考虑运动校正与共轭误差补偿时，树突及树突棘的亮度、分辨率和对比度才获得最明显提升，树突棘亮度最高可增至 1.8 倍。

Figure 4. Real-time aberration correction by NeAT for in vivo structural imaging

Figure 5. Real-time aberration correction by NeAT for in vivo glutamate and calcium imaging

归纳总结和点评

这篇工作的重要性，在于它没有把自适应光学只当作一个“更会修图”的算法问题，而是把像差估计、结构恢复、活体运动处理和商业显微镜中的共轭误差补偿整合进同一套无外部训练数据的计算框架，并用 DWS 对照、性能边界评估以及活体结构和功能成像演示把证据链补得相对完整。对实际用户而言，NeAT 最有价值的贡献并非彻底替代硬件，而是降低了 AO 对定制平台和精密对准的依赖，让商业显微镜上的活体深部校正更具可行性；同时，作者也较清楚地交代了方法边界，包括对 SNR、像差强度、采样率以及显微镜共轭稳定性的要求。因此，现阶段更稳妥的结论是：NeAT 为 2P 活体 AO 提供了一条更易部署的计算路线，并已在文中测试的小鼠脑成像场景中显示出实际收益；至于跨样本类型、跨系统泛化能力以及长期维护成本，还需要后续研究继续验证。