基于深度学习的拉曼光谱高通量分子成像技术：DEEPER框架的突破性研究

作者及发表信息
本研究由Conor C. Horgan（伦敦国王学院和帝国理工学院）、Magnus Jensen（伦敦国王学院）、Anika Nagelkerke（格罗宁根大学/帝国理工学院）等团队合作完成，通讯作者为帝国理工学院的Molly M. Stevens和伦敦国王学院的Mads S. Bergholt。研究成果发表于《Analytical Chemistry》期刊2021年11月刊（Volume 93, Issue 45, Pages 15850–15860）。

学术背景
拉曼光谱（Raman spectroscopy）是一种无需标记、非破坏性的分子成像技术，可提供亚细胞级分子对比度，但受限于信号弱、采集速度慢（通常每像素需1秒），难以满足高通量成像需求。传统解决方案如相干反斯托克斯拉曼散射（CARS）和受激拉曼光谱（SRS）依赖昂贵且复杂的脉冲激光系统。本研究提出DEEPER框架，利用深度学习（deep learning）提升拉曼成像速度与信噪比（SNR），突破硬件限制。

研究流程与方法
1. 数据准备与模型设计
- 数据集：基于MDA-MB-231乳腺癌细胞，采集172,312对低SNR（0.1秒/光谱）与高SNR（1秒/光谱）的拉曼光谱，总计1.5百万光谱（400小时数据）。
- 1D ResUNet降噪模型：采用一维残差UNet架构，通过11折交叉验证训练，输入低SNR光谱，输出高SNR重建光谱。数据增强包括光谱翻转、平移和背景扣除。
- 超分辨率模型（HyRISR）：基于残差通道注意力网络（RCAN），对169张拉曼超光谱图像（1.4百万光谱）进行2×、3×、4×空间超分辨率重建，减少成像时间4–16倍。

1. 联合降噪与超分辨率

   • 将1D ResUNet与HyRISR串联，实现40–160倍成像速度提升。例如，160倍加速下，单细胞成像时间从68分钟缩短至26秒。
     
   • 验证方法：通过顶点成分分析（VCA, Vertex Component Analysis）评估分子信息保留效果，对比传统方法（Savitzky-Golay滤波、PCA降噪）。
     

2. 迁移学习验证

   • 将预训练模型迁移至组织工程软骨数据（仅16张训练图像），证明跨领域适用性。
     

主要结果
1. 降噪性能
- 1D ResUNet的均方误差（MSE）为2.85×10⁻³，比PCA降噪（2.96×10⁻²）提升10倍，且避免了传统方法引入的伪影（图2）。
- VCA显示，神经网络能准确区分核酸、蛋白质和脂质分布，而PCA输出无法有效分离细胞组分（图2d）。

1. 超分辨率重建

   • HyRISR在2×超分辨率下，峰值信噪比（PSNR）和结构相似性（SSIM）显著优于双三次插值（p<0.001），成像时间从68分钟降至17分钟（图3）。
     
   • 3×超分辨率仍能保留亚细胞结构，但4×时出现模糊，适合大范围快速筛查（图3a）。
     

2. 联合应用与迁移学习

   • 40–90倍加速下，单细胞成像可在1–2分钟内完成，分子信息保留完整（图4）。
     
   • 迁移学习在软骨组织中实现4×超分辨率，PSNR达32.5，证明框架的泛化能力（图5）。
     

结论与价值
1. 科学价值
- DEEPER首次将深度学习系统应用于拉曼光谱全流程（降噪、超分辨率、迁移学习），为生物医学高通量成像提供新范式。
- 通过数据驱动替代硬件升级，降低技术门槛，尤其适用于资源有限场景。

1. 应用前景
   
   • 细胞生物学：加速单细胞代谢研究；病理学：支持快速光谱病理筛查；临床：潜在应用于术中分子诊断。
     
   • 开源代码与预训练模型（GitHub）促进社区应用扩展。
     

研究亮点
1. 方法创新：
- 首创1D ResUNet拉曼降噪模型，MSE性能超越传统方法10倍。
- HyRISR首次实现拉曼超光谱图像的2–4×超分辨率重建。

1. 技术整合：

   • 联合降噪与超分辨率，实现160倍成像加速，突破现有技术极限。
     
   • 迁移学习验证框架跨样本适用性，减少数据依赖。
     

2. 开源共享：

   • 公开数据集、代码与模型，推动拉曼技术标准化与普及。
     

局限性
- 超高分辨率（如单像素细节）重建仍需优化；
- 跨领域应用需针对性验证，如肿瘤组织与正常组织的谱学差异。

其他价值
研究提出的深度学习框架可扩展至其他光谱技术（如FT-IR、质谱成像），为多模态分子成像提供通用解决方案。