2025-08-15 | 科研部 南科大李依明团队提出基于轻量化深度学习的高效可扩展单分子定位分析框架

近日，南方科技大学生物医学工程系副教授李依明课题组在高效单分子定位方法研究领域取得重要进展，相关成果以“Scalable and lightweight deep learning for efficient high accuracy single-molecule localization microscopy”为题发表于国际权威期刊Nature Communications。

单分子定位显微镜（single-molecule localization microscopy，SMLM）是目前主流三大超分辨显微镜之一，因其兼具超高的空间分辨率和分子特异性，在众多显微成像技术中拥有独特的优势。近年来，深度学习方法的引入显著提升了SMLM在低信噪比与高密度样本下的定位精度。目前，以高内涵筛选（high-content screening）为目标的高通量超分辨成像技术已成为SMLM发展的主要方向。现有深度学习网络因其模型复杂度高，在高通量成像场景中普遍存在处理延时长、资源消耗大等问题，严重制约了其在实际应用中的部署。虽然已有一些模型压缩技术可降低网络复杂度，但往往以牺牲定位精度为代价，难以满足SMLM对高精度定位的需求。

为解决上述问题，研究团队提出了一种名为LiteLoc的基于轻量化深度学习网络的可扩展分析框架。该框架结合了由粗、细特征提取器构成的轻量化深度学习网络与一套可扩展的竞争式并行数据分析策略。在8张RTX 4090显卡上，LiteLoc实现了超过560 MB/s的吞吐量，能够实时分析由现代sCMOS相机采集的高通量超分辨成像数据。本研究为基于深度学习的SMLM设立了一个兼顾定位精度与计算效率的新基准，为生命科学领域的高效、可扩展成像工作流程提供了高效的解决方案。

通常传统图像中的目标特征分布在整张图像的不同区域，相比之下，单分子定位数据可被分解为大量时空分离的模块，每个模块仅包含局部荧光分子的相关信息，彼此之间相互独立（如图1a所示）。然而，现有基于深度学习的单分子数据分析软件多采用串行处理模式，数据分析流程中CPU和GPU资源未被充分利用。LiteLoc提出的并行分析框架可以最大限度地利用硬件计算资源，将整个数据分析流程模块化为数据读取/预处理、网络推理、后处理/写入三个阶段，并通过优化不同阶段的并行处理机制，允许多张显卡以竞争方式同时读取与分析处理数据。最终数据分析总耗时与子进程推理几乎一致（如图1b所示）。

图1  LiteLoc的可扩展并行框架和轻量化深度学习网络示意图

传统卷积神经网络通常通过堆叠多个卷积层来提取多尺度特征。为实现更高效率，空洞卷积因其在维持参数与计算量不变的同时能扩展感受野而受到关注。LiteLoc的轻量化深度学习网络结构由两部分组成：一是由空洞系数递增的空洞卷积组构成的粗特征提取器，二是由简化版U-Net构成的细特征提取器（如图1c所示）。该结构通过增大感受野、增强特征复用效率与融合多尺度信息，有效地将模型复杂度降低了一个数量级（如图2a所示）。与此同时，LiteLoc在定位精度上与当前最优算法DECODE相当甚至更优（如图2c-f所示）。结合GPU集群并行分析框架，LiteLoc实现了567.6 MB/s的总分析速度，超过常规SATA SSD的读取上限（500 MB/s）。

图 2  LiteLoc的分析速度及定位表现

为验证LiteLoc的定位性能，研究团队分别对基于散光点扩散函数（point spread function，PSF）和6 µm DMO-Tetrapod PSF对标准结构U2OS细胞中的核孔蛋白Nup96成像数据进行分析和重建（如图3所示）。已有研究指出，Nup96双层环结构平均直径约为107 nm，双层环间的平均距离约为50 nm。在使用散光PSF的成像实验中，LiteLoc与主流定位算法DeepSTORM3D、DECODE均可在x-y平面中重构出核孔的环状结构（图3b），并在x-z平面准确解析出靠近盖玻片的双层环结构（图3c）。在6 µm DMO-Tetrapod PSF实验中，三种算法均可大致重构细胞上下表面的核孔蛋白分布（图3e）。

然而，由于单个分子的光子分布范围更大、原始显微图像信噪比较低，DeepSTORM3D预测的定位点较为分散，数量也相对较少（图3d）；而DECODE重构的超分辨图像中出现了明显的网格状伪影。相比之下，LiteLoc重构图像未出现此类伪影（图3i），显示出LiteLoc具有更高的定位准确度。在分析速度方面，在相同硬件条件下，LiteLoc的分析耗时仅为DeepSTORM3D的28.8%、DECODE的1.5%，显著提升了单分子数据的处理效率。

图3  LiteLoc在基于散光PSF和6 µm DMO-Tetrapod PSF对核孔蛋白Nup96的重构结果

常规的深度学习SMLM软件支持的PSF建模方式有限，而在实际成像中研究者往往需根据具体成像需求选择不同建模方式。样条插值PSF较为简单，适用于空间不变PSF建模；而矢量PSF考虑多种光学参数，如波长、折射率与数值孔径，更适合用于包含深度与视场依赖像差的场景。LiteLoc同时支持两种PSF建模方式用于训练。图4展示了结合原位PSF估计与矢量PSF模型训练的LiteLoc的重构结果，同时将样条插值PSF训练的LiteLoc结果作为对比。可以看到基于原位矢量PSF训练的LiteLoc预测结果与实际NPC结构更加吻合，表明其更适合用于补偿深度依赖的像差。

图4  分别基于矢量PSF和C-spline插值PSF训练的LiteLoc重建结果

综上所述，研究团队提出了一套面向高通量SMLM的轻量化深度学习可扩展并行分析框架。该方法在保证高定位精度的前提下，将网络推理速度提升三倍以上，显著缓解了PSF复杂性、结构化数据伪影和成像条件多样性带来的挑战，适用于不同生物样本的超分辨成像任务。其在8张RTX 4090 GPU上的总处理速度超过560 MB/s，具备实时处理能力，未来有望应用于闭环成像系统与在线质量控制。此外，LiteLoc对计算资源的需求较低，便于集成至标准SMLM分析流程，并与聚类、追踪或结构重建等下游模块结合，实现高效一体化的超分辨数据处理流程。

南科大2025届硕士生费悦、博士后傅爽以及石伟为论文共同第一作者，李依明为该论文通讯作者，南方科技大学为第一通讯单位。该项目得到了国家重点研发计划、深圳市医学研究专项资金、国家自然科学基金委员会和南方科技大学校长卓越博士后资金等科研项目的支持。

论文链接：

https://www.nature.com/articles/s41467-025-62662-5 

 供稿：生物医学工程系