荧光显微镜旨在收集有关特定生物事件的数据。 然而，可以从样本中收集到的特定于事件的内容是有限的，特别是对于稀有或随机过程。 这部分是由于光漂白和光毒性，这限制了成像速度和持续时间。
EPFL 生物物理学家确实找到了一种方法，可以使显微镜控制自动化，以对生物事件进行详细成像，同时限制对样品的压力。 他们开发了优化荧光显微镜收集活体样本数据的控制软件。
在他们的事件驱动采集框架中，基于神经网络的特定生物事件识别触发即时结构化照明显微镜中的实时控制。 他们的技术适用于细菌细胞分裂和线粒体分裂。
EPFL 实验生物物理实验室的首席研究员 Suliana Manley 说， “智能显微镜有点像自动驾驶汽车。 它需要处理某些类型的信息、微妙的模式，然后通过改变其行为来做出响应。 通过使用 神经网络，我们可以检测到更微妙的事件，并使用它们来推动采集速度的变化。”
线粒体分裂是不可预测的，因为它不经常发生，并且几乎可以在任何时刻发生在线粒体网络内的任何地方。 这就是为什么科学家首先解决了如何通过训练神经网络来寻找线粒体收缩来检测线粒体分裂的原因， 线粒体 这导致分裂，结合对已知在分裂部位富集的蛋白质的观察。
显微镜 当收缩和蛋白质水平都很高时，转向高速成像以获得分裂事件的详细图像。 当收缩和蛋白质水平较低时，显微镜随后转向低速成像，以保护样品免受过多光线的影响。
借助这种智能荧光显微镜，科学家们表明，与标准快速成像相比，他们可以更长时间地观察样品。 尽管按照惯例，样本比慢速成像所承受的压力更大，但他们仍然可以收集更多有见地的信息。
曼利 解释, “智能显微镜的潜力包括测量标准采集会遗漏的内容。 我们捕获更多事件，测量更小的限制，并且可以更详细地跟踪每个部门。”
科学家们正在将控制框架作为开放式显微镜软件 Micro-Manager 的开源插件提供，目的是让其他科学家能够集成 人工智能 进入他们的显微镜。
杂志参考：
- Mahecic, D., Stepp, WL, Zhang, C. 等。 内容丰富显微镜的事件驱动采集。 自然方法 （2022）。 DOI： 10.1038 / s41592-022-01589-X
