细胞中的许多关键过程既微小又快速：细胞器不断重塑，膜结构发生融合与断裂，分子在有限空间内相遇、分离并重新组织。超分辨显微成像使这些过程进入纳米尺度观察范围，但活细胞对光高度敏感，快速动态又限制了采集时间。如何在有限光子预算下获得足以支持生物学结论的信息，是先进显微成像长期面对的核心问题。
近日，北大-清华生命科学联合中心陈良怡教授团队与哈尔滨工业大学（深圳）张阳教授团队合作完成的综述 AI-empowered super-resolution microscopy: a revolution in nanoscale cellular imaging 正式刊载于 Nature Methods 2026年9月刊。文章系统讨论了机器学习和计算机视觉方法如何用于超分辨显微成像，并将公开代码、数据集、方法选择和可靠性验证纳入同一框架。
AI不是给图像增加纹理，而是从受限测量中恢复信息
AI可以帮助处理低光照、低信噪比和有限采样条件下的数据，用于去噪、弱光增强、去模糊和超分辨重建，从而减少强照明和长时间采集对活细胞的影响。但在显微成像中，一幅视觉上合理的图像并不一定代表真实结构。训练数据与真实样本之间的差异、显微系统变化以及缺乏可靠真值，都可能造成伪影或错误细节。
综述因此从生物学使用场景出发，提出一条完整工作流：先明确输入数据与图像形成过程，再根据真值条件选择监督、自监督、零样本或迁移学习策略，将网络骨架与具体显微模态相匹配，最后通过定量指标和可信度分析验证结果。
图1：AI赋能超分辨显微图像重建的统一框架
文章还特别指出，计算机视觉中的图像超分辨与显微超分辨不能简单等同。后者受到点扩散函数、光学调制、光子统计和探测噪声等物理过程约束。对生命科学而言，真正重要的并不是图像是否更“漂亮”，而是新增细节是否来自测量，能否被重复观察和独立验证，并最终转化为可检验的生物学假设。
综述汇集的既往案例显示，AI-SRM已被用于观察染色体与间期DNA结构、线粒体内膜和核样体动态、线粒体融合与分裂，以及快速细胞器接触。它们共同说明：方法的意义不在于替代生物学实验，而在于打开此前受光子、速度或分辨率限制的观察窗口，并产生可以继续验证的生物学问题。
这篇综述为显微成像研究者、生命科学家和AI研究者提供了一套共同语言：从生物学问题确定需要测量的信息，从成像物理界定信息边界，再由计算方法提高信息提取效率，并用实验与定量分析完成验证。它指向的不是脱离实验的图像生成，而是更快速、更温和、更可验证的活细胞纳米观测。
李森、孟翔杰为论文共同第一作者；张阳教授与北京大学、北大-清华生命科学联合中心陈良怡教授为共同通讯作者；北京大学周博、田文丰参与该综述。该工作获得国家自然科学基金、国家重点研发计划、深圳市相关科研项目、北京大学高性能计算平台及新基石科学基金会等支持。
原文链接：https://doi.org/10.1038/s41592-025-02871-4
