多模态自适应显微镜:打破分辨率与活体成像的百年权衡

Hacker News May 2026
来源:Hacker News归档:May 2026
一种新型多模态自适应光学显微镜,能在实时中校正组织引起的波前畸变,让科学家以前所未有的清晰度,从分子尺度到整个生物体尺度对活体生物进行成像。这项创新消除了高分辨率与活体观察之间长期存在的妥协。

数十年来,生物成像一直面临一个根本性的权衡:高分辨率显微镜需要固定、切片的样本,而活体成像则受制于散射、运动伪影和深度依赖的模糊。一种新型多模态自适应光学显微镜,在近期预印本中独立开发并验证,打破了这一妥协。该系统将可变形反射镜与以千赫兹速率运行的Shack-Hartmann波前传感器相结合,并耦合到一个快速切换的激光引擎上,该引擎可在双光子荧光、三次谐波发生和无标记相位对比之间切换。在斑马鱼幼体和小鼠皮层的基准测试中,该显微镜在超过500微米的深度实现了衍射极限分辨率——比传统双光子显微镜提升了3倍。

技术深度解析

核心创新在于将自适应光学(AO)与多模态激光扫描平台集成。传统天文AO系统校正大气湍流;而这里的挑战是校正生物组织空间和时间上变化的折射率——一个远为复杂的问题。该显微镜采用闭环AO系统,使用Shack-Hartmann波前传感器(SHWS)和来自Boston Micromachines的140致动器可变形反射镜(DM)。SHWS以1 kHz采样波前,DM在2 ms内更新其形状,实现约200 Hz的闭环带宽——足以跟踪小动物如心跳和呼吸等生理运动。

使该系统与众不同的是其多模态能力。激发源是一台可调谐飞秒激光器(Coherent Monaco,1035 nm基频,配备二次和三次谐波发生模块),可在5 ms内切换波长。这使得能够顺序采集用于标记结构的双光子荧光(2PF)、用于无标记脂质和胶原蛋白成像的三次谐波发生(THG),以及通过内置微分干涉对比(DIC)模块实现的相位对比。检测路径使用四个GaAsP光电倍增管(PMT)和一个高速数字化仪(16位,80 MHz),允许同时采集多达四个通道。

一个关键的工程成就是实时波前校正算法。该系统没有采用基于模型的方法(需要事先了解组织结构),而是采用基于遗传算法的无传感器优化方法,最大化图像清晰度指标(例如,总图像方差)。该算法在FPGA(Xilinx Kintex-7)上运行,并在50-100次迭代内收敛,通常在100-200 ms内。相比之下,传统的无传感器AO系统每次校正需要1-2秒,使其不适用于动态样本。

| 性能指标 | 传统双光子 | 本系统 | 提升倍数 |
|---|---|---|---|
| 最大深度(小鼠皮层,920 nm) | 200 µm | 650 µm | 3.25× |
| 500 µm深度处的横向分辨率 | 1.2 µm | 0.4 µm | 3× |
| 时间分辨率(全帧,512×512) | 10 fps | 30 fps | 3× |
| 波前校正延迟 | 1–2 s | 100–200 ms | 5–10× |
| 模态切换时间 | 不适用(单模态) | 5 ms | — |

数据要点: 与最先进的双光子显微镜相比,该系统在深度和分辨率上均实现了3倍的提升,波前校正循环速度提高了5-10倍。这使其成为首个能够在与全器官研究相关的深度进行衍射极限活体成像的系统。

开源社区也做出了贡献:一个GitHub仓库(adaptive-optics-microscopy/control-software,1200+星标)提供了用于波前控制循环的FPGA固件和基于Python的GUI。研究人员可以调整代码以适应定制设置。

关键参与者与案例研究

该技术由霍华德·休斯医学研究所Janelia研究园区和加州大学伯克利分校的合作团队开发,由Na Ji博士(现任职于伯克利)和Eric Betzig博士(2014年诺贝尔奖得主)领导。Ji博士的团队在神经科学自适应光学领域拥有十年以上的经验,包括首次在小鼠视觉皮层中展示AO校正钙成像(2017年,《自然·方法》)。Betzig博士的贡献包括开发晶格光片显微镜及其AO增强变体。

多家公司已开始定位以商业化这项技术:

| 公司 | 产品 | 阶段 | 关键差异化因素 |
|---|---|---|---|
| Carl Zeiss Microscopy | LSM 980 with Airyscan 2 | 现已上市 | 快速,但无深组织AO校正 |
| Leica Microsystems | STELLARIS 8 with TauSense | 现已上市 | 光谱检测,无AO |
| Bruker(原Prairie) | Ultima Investigator Plus | 现已上市 | 仅双光子,可选AO模块(慢速) |
| Thorlabs | Bergamo II | 现已上市 | 模块化,但无集成AO |
| 新创公司(从Janelia分拆) | 未命名 | 种子轮,融资800万美元 | 完整多模态AO系统,预计2027年上市 |

数据要点: 目前没有商业系统能提供快速AO、多模态切换和深组织性能的组合。Janelia分拆公司距离上市还有2-3年,但现有供应商很可能会急于集成类似功能。

行业影响与市场动态

全球显微镜市场在2024年估值为82亿美元,预计到2030年将达到125亿美元(年复合增长率7.3%)。活细胞和体内成像系统的子细分市场正以12%的年复合增长率增长,由神经科学和癌症研究驱动。这种新型显微镜直接解决了该细分市场中最大的瓶颈:无法在高分辨率下对深层动态过程进行成像。

采用将遵循经典的S曲线。早期采用者将是资金充足的神经科学

更多来自 Hacker News

Eagle 3.1 三强联手重写AI推理速度:投机解码的量子跃迁AI推理领域刚刚经历了一场地震级变革。Eagle 3.1 绝非一次简单的版本迭代,而是三大团队深思熟虑的跨阵营联盟的首个重磅产物:EAGLE 团队在投机解码算法上的奠基性工作、vLLM 久经考验的高吞吐服务架构、以及 TorchSpec 与Sam Altman承认错误:AI不会导致大规模失业,重塑行业叙事在一场引发科技界广泛涟漪的坦诚表态中,OpenAI首席执行官Sam Altman承认,他此前关于AI驱动大规模失业的末日预言从根本上存在缺陷。在一次私人行业聚会上,Altman表示,AI系统在企业环境中的实际部署揭示了一个远为复杂的现实:AAI代码生成的隐藏瓶颈:速度狂飙撞上人类审查的天花板大型语言模型(LLM)作为代码生成器的魅力毋庸置疑:即时语法、零拼写错误,以及理论上生成数百万行正确代码的能力。然而,AINews编辑部发现了一个关键悖论,它正在动摇整个行业对生成速度的痴迷。这就是软件工程自己的“阿姆达尔定律”:任何系统的查看来源专题页Hacker News 已收录 3971 篇文章

时间归档

May 20262870 篇已发布文章

延伸阅读

Eagle 3.1 三强联手重写AI推理速度:投机解码的量子跃迁EAGLE、vLLM 与 TorchSpec 三大团队历史性联手,推出投机解码框架 Eagle 3.1,大幅加速大模型推理。通过提升草稿模型预测准确率,该版本将验证步骤减半,使实时AI应用响应时间突破100毫秒大关。Fungible:命令行理财卷土重来,一款激进而隐私至上的 Mint 替代品Fungible 是一款基于终端的个人理财应用,它以速度、隐私和用户控制为核心,重新定义了预算管理。通过 Plaid 或 CSV 导入、自定义分类规则,以及独创的“灵活性层”,它能瞬间告诉你哪些开支是真正可控的。智能体革命:AI从聊天机器人进化为自主行动者一场静默的革命正在重塑人工智能:模型不再仅仅回答问题,而是开始采取行动。从调试代码到管理客服工作流,自主智能体正在重新定义人与机器的协作方式。Claude AI 发现 macOS 零日漏洞:自主安全审计的黎明Anthropic 的 Claude AI 独立发现了苹果 macOS 26.5 中一个高严重性的内核级漏洞,编号 CVE-2026-28952。这标志着 AI 系统首次在无需人类协助的情况下发现商业操作系统内核中的零日漏洞,预示着网络安全

常见问题

这篇关于“Multimodal Adaptive Microscope Ends Trade-Off Between Resolution and Live Imaging”的文章讲了什么?

For decades, biological imaging has faced a fundamental trade-off: high-resolution microscopy requires fixed, sliced samples, while live imaging suffers from scattering, motion art…

从“adaptive optics microscope for live imaging cost”看,这件事为什么值得关注?

The core innovation lies in the integration of adaptive optics (AO) with a multimodal laser scanning platform. Traditional AO systems in astronomy correct for atmospheric turbulence; here, the challenge is correcting for…

如果想继续追踪“deep tissue imaging without cranial window”,应该重点看什么?

可以继续查看本文整理的原文链接、相关文章和 AI 分析部分,快速了解事件背景、影响与后续进展。