Lumière

Jun 01, 2023

Communications Biology volume 6, Article number: 502 (2023) Citer cet article

4714 Accès

39 Altmétrique

Détails des métriques

La microscopie à fluorescence à feuille de lumière a transformé notre capacité à visualiser et à mesurer quantitativement les processus biologiques rapidement et sur de longues périodes. Dans cette revue, nous discutons des développements actuels et futurs de la microscopie à fluorescence à feuille de lumière que nous prévoyons d'étendre encore ses capacités. Cela comprend des schémas d'imagerie intelligents et adaptatifs pour surmonter les compromis d'imagerie traditionnels, c'est-à-dire la résolution spatio-temporelle, le champ de vision et la santé de l'échantillon. En microscopie intelligente, un microscope décidera de manière autonome où, quand, quoi et comment imager. Nous évaluons en outre comment les techniques de restauration d'image offrent des moyens de surmonter ces compromis et comment les microscopes à feuille de lumière «ouverts» peuvent permettre une imagerie multimodale à haut débit. En tant que tel, nous prévoyons que la microscopie à feuille de lumière jouera un rôle important dans l'imagerie biomédicale et clinique à l'avenir.

Au cours des dernières décennies, les microscopes nous ont fourni des informations inestimables sur la façon dont les processus biologiques sont organisés dans l'espace et dans le temps. Une innovation fondamentale a été le marquage sélectif des protéines et des lipides avec des marqueurs fluorescents1,2, permettant des techniques de microscopie fluorescente telles que la microscopie à fluorescence à feuille de lumière (ou microscopie à feuille de lumière en abrégé)3. La microscopie à feuille de lumière nous permet de visualiser, de quantifier et de suivre dynamiquement les composants structurels in vivo4,5,6 et in vitro7,8,9. Les principes fondamentaux de la microscopie à feuille de lumière sont couverts dans plusieurs revues10, 11, 12, 13, 14, 15, 16, 17, 18, 19, mais en bref, il repose sur une séparation orthogonale du chemin d'éclairage et de détection, permettant l'éclairage sélectif de tout un plan d'imagerie et une détection simultanée à champ large (Fig. 1a).

a La microscopie à feuille de lumière traditionnelle, telle que la microscopie à éclairage plan sélectif à trois objectifs (SPIM), repose sur une disposition orthogonale de l'éclairage (bleu ; objectifs d'éclairage IL1 et IL2) et de la détection (vert ; objectif de détection DO). Cela garantit que la résolution axiale de l'imagerie est principalement régie par l'épaisseur de la feuille de lumière (bleu) permettant l'imagerie sur de grands échantillons avec une détection à champ large (vert) et une bonne section optique. Pour acquérir un volume 3D, l'échantillon est balayé le long de l'axe de détection soit en déplaçant l'échantillon lui-même, soit en balayant la feuille de lumière avec l'objectif dans le chemin de détection. b–d Les principaux exemples d'imagerie avec des feuilles de lumière comprennent l'imagerie continue et à long terme des processus de développement chez les embryons de souris et de poisson zèbre, et l'imagerie des tissus nettoyés avec une résolution subcellulaire. b Katie McDole et al.4 ont caractérisé les mouvements cellulaires impliqués dans le développement de la souris du stade précoce (E6.5) au stade somite (E8.5) en imageant un embryon de souris exprimant CAGTAG1 avec un marqueur d'histone (H2B-eGFP) pendant plus de 44 h. Barre d'échelle : 100 μm. c Projections sélectionnées de l'imagerie multi-vues5 (trois angles) de la vascularisation embryonnaire en croissance du poisson zèbre marquée avec le marqueur vasculaire fluorescent (Tg(kdrl:EGFP), cyan) et le marqueur des globules rouges (Tg(GATA1a:dsRed), magenta), imagés de 20 h après la fécondation (hpf) à 86 hpf. Barre d'échelle : 500 μm d Adam Glaser et al.37 ont réalisé une imagerie à grande échelle d'une tranche élargie de rein de 3,2 cm × 2,1 cm et d'une épaisseur de 1 mm. Les régions d'intérêt à haute résolution ont révélé la morphologie des glomérules (barre d'échelle : 40 μm), des vaisseaux (barre d'échelle : 80 μm) et des tubules (barre d'échelle : 50 μm). La résolution accrue due à l'expansion a été davantage démontrée avec un zoom avant multicanal de tissu DAPI contre-coloré (barres d'échelle : 100 μm [en haut] et 20 μm [en bas]). Les barres d'échelle indiquent ainsi les dimensions du tissu natif non expansé. Le panneau b a été adapté avec la permission de Katie McDole et al. (2018)4. Panneau c adapté de Daetwyler et al. (2019)5. Panneau d adapté de Glaser et al. (2019)37.

Dans cette revue, nous regarderons vers l'avenir et discuterons des futures avenues potentielles d'imagerie par fluorescence avec des feuilles de lumière. Nous décrirons comment les barrières d'imagerie volumétrique et temporelle limitent l'application de la microscopie optique pour capturer de grands spécimens avec une résolution spatio-temporelle élevée et explorerons des stratégies pour les surmonter. Cela comprend les progrès technologiques, de nouveaux schémas d'imagerie intelligents et adaptatifs et des techniques de restauration d'images. De plus, nous examinerons comment de tels schémas iront de pair avec des microscopes à feuille de lumière flexibles et ouverts pour permettre une imagerie multimodale à haut débit.

La microscopie à feuille de lumière se distingue par sa capacité d'imagerie 3D efficace et douce. Il se caractérise par une répartition de l'intensité lumineuse en forme de nappe, qui éclaire le plan focal d'un système de détection au microscope (Fig. 1a)3,16. Cela offre de nombreux avantages. Plus important encore, seul (ou du moins principalement) le plan focal du système de détection est éclairé, ce qui entraîne une coupe optique et une excitation hors foyer minimale15,16,19. Cela conduit à des images nettes dépourvues de flou et à un blanchiment d'échantillon considérablement réduit par rapport aux techniques de microscopie épifluorescente conventionnelles, telles que le champ large ou confocal10,20.

L'excitation du plan focal est traditionnellement réalisée avec un ou deux objectifs d'illumination pour lancer la ou les nappe(s) lumineuse(s)3,21. Ainsi, la lumière laser cohérente est façonnée en faisceaux gaussiens3, top hat21, simples ou multiples Bessel22,23, Airy24 ou autres25,26 pour créer une distribution d'intensité dans l'échantillon qui se rapproche d'une feuille sur une distance finie. L'imagerie volumétrique est obtenue en scannant l'échantillon3, en augmentant la profondeur de champ27 ou en déplaçant la feuille et la détection28,29.

La détection des fluorophores excités est réalisée en captant le signal de fluorescence du plan éclairé avec une détection à champ large sur une caméra scientifique16. Pour comprendre l'avantage de la microscopie à feuille de lumière, le concept de rapport cyclique spatial est important. Il décrit la durée d'activation d'un fluorophore pendant la durée d'une exposition. Comme tout le plan est éclairé, le rapport cyclique spatial est beaucoup plus élevé avec la microscopie à feuille de lumière par rapport aux microscopes confocaux à balayage ponctuel conventionnels, où seule une fraction du volume est balayée à la fois. Par conséquent, des puissances laser inférieures peuvent être appliquées pour produire un signal similaire. Ceci est important car de nombreux effets de photo-blanchiment et photo-toxiques sont hautement non linéaires à l'intensité d'excitation10,20. Cependant, la détection à champ large limite la profondeur de pénétration optique des microscopes à feuille de lumière, car la diffusion obstrue l'imagerie plus profondément dans les tissus. Néanmoins, pour les petits organoïdes et les organismes modèles, la microscopie à feuille de lumière peut être appliquée, en particulier lorsqu'elle est combinée avec la fusion d'images30, qui combine des informations provenant de différentes orientations de l'échantillon. Ainsi, les zones qui seraient autrement occluses par la diffusion peuvent être visitées à partir de leur angle de vue le plus favorable15,31,32. Plusieurs vues peuvent être acquises par rotation de l'échantillon, ou dans les mises en œuvre récentes, jusqu'à quatre objectifs fournissent des chemins optiques pour alterner entre l'éclairage et la détection de la feuille de lumière33,34,35.

Ces capacités ont permis aux microscopes à feuille de lumière d'acquérir en douceur des données 3D sur des centaines à des milliers de piles par échantillon. Les données résultantes ont révélé et permis la quantification de processus dynamiques tels que la signalisation et la morphologie subcellulaires23,25, l'embryogenèse sur des durées de jours4,5,36 (Fig. 1b, c) et ont fourni une acquisition rapide de grands tissus dégagés avec une résolution subcellulaire37,38,39,40 (Fig. 1d).

Malgré l'imagerie volumétrique rapide et douce fournie par la feuille de lumière et d'autres microscopes à fluorescence16, ils sont finalement limités par des barrières d'imagerie volumétrique et temporelle (Fig. 2). Alors que le premier fait référence à notre incapacité à imager de grands spécimens avec une haute résolution, le second fait référence à notre incapacité à imager des processus très rapides en continu sur de longues périodes.

a Les techniques d'imagerie actuelles telles que la microscopie à feuille de lumière, confocale et super-résolution sont limitées dans le volume qu'elles peuvent imager en raison de limitations techniques et pratiques (dégradé bleu : de la résolution spatiale faible à élevée ; les cercles blancs en pointillés indiquent les régimes d'application prédominants des trois techniques de microscopie). Pour surmonter cette barrière d'imagerie volumétrique, la microscopie d'expansion permet d'acquérir des techniques d'imagerie à plus faible résolution avec une résolution effectivement plus élevée. De plus, nous nous attendons à ce que de nouvelles techniques d'imagerie intelligentes adaptatives et d'imagerie multi-résolution surmontent la barrière de l'imagerie volumétrique en imageant sélectivement des parties d'un grand volume avec une haute résolution. De plus, les algorithmes de reconstruction d'image, tels que les approches de détection compressée et d'apprentissage en profondeur, fourniront des moyens d'obtenir des images haute résolution à partir de grands volumes partiellement échantillonnés.

La barrière d'imagerie volumétrique (Fig. 2a) est donnée par la portée volumétrique maximale d'une technologie d'imagerie donnée. Par exemple, les grands spécimens, comme une souris entière, ne peuvent actuellement pas être imagés avec l'imagerie confocale ou super-résolution dans leur intégralité. Ceci est en partie régi par des limitations physiques, telles que la pénétration optique due à la diffusion de la lumière et l'ingénierie optique, par exemple un compromis entre l'ouverture numérique et la distance de travail ainsi que le champ de vision41.

De plus, un échantillonnage Nyquist approprié peut devenir une limitation de débit, de sorte que l'imagerie d'un grand spécimen à haute résolution n'est pas pratique. Pour illustrer cela, un temps de séjour de voxel commun pour un microscope confocal à balayage laser conventionnel avec une résolution de 250 nm est d'environ 1 μs42, et il faudrait donc environ 4,2 s pour capturer une image confocale de 2048 × 2048 × 1. Doubler la résolution avec un microscope Airyscan à 120 nm43, nécessiterait pour le même champ de vision ~16,8 s. Imager un œuf de Drosophile44 de taille 9 × 10−3 mm3 (largeur 0,18 mm, longueur 0,51 mm) à l'aide d'un microscope confocal avec échantillonnage de Nyquist prendrait ainsi 76 min, ou plus de 10 h avec un confocal Airyscan. Cela empêche l'imagerie à des taux permettant des études de la dynamique cellulaire, telles que les processus d'endocytose qui se produisent en une minute45. Alors que la microscopie à feuille de lumière est beaucoup plus rapide en raison de son acquisition à champ large et de son cycle de service élevé, ses versions haute résolution telles que la microscopie à feuille de lumière en treillis23,46 ou la microscopie à feuille de lumière à balayage axial (ASLM)47 peuvent encore avoir du mal à acquérir un grand volume suffisamment rapidement.

De même, il existe une barrière d'imagerie temporelle (Fig. 2b). Nous ne pouvons actuellement pas imager des processus rapides sur de longues périodes en raison de la quantité de données générées et de l'impact sur la santé des échantillons et le blanchiment des fluorophores. Par exemple, prendre une image de 2048 × 2048 × 1 voxels toutes les 1 ms sur une période d'une journée équivaut à un jeu de données de près de 700 To. Alors que les problèmes de données pourraient être résolus à l'avenir avec du nouveau matériel et des stockages plus grands, l'imagerie continue induit des effets phototoxiques, qui s'accumulent au fil des cycles d'imagerie20,48.

Par conséquent, les acquisitions traditionnelles régies par l'échantillonnage de Nyquist sont limitées par des compromis entre la santé de l'échantillon, la résolution temporelle, la résolution spatiale et le champ de vision ou la couverture volumétrique, respectivement (Fig. 3a). Pour tenir compte de ces compromis, un microscopiste doit choisir une modalité d'imagerie pour répondre au mieux à la question biologique en question et effectuer une expérience avec les paramètres choisis jusqu'à la fin (Fig. 3b).

a Traditionnellement, une acquisition est régie par un budget photonique limité de l'échantillon. Par conséquent, une résolution spatiale et temporelle améliorée est généralement antagoniste à la santé de l'échantillon et au champ de vision qui est imagé. L'optimisation d'un coin de la pyramide conduit donc à des compromis vers d'autres coins. b Par conséquent, dans une acquisition traditionnelle, un microscope et/ou un réglage de microscope sont choisis pour refléter au mieux les besoins d'imagerie définis par les questions biologiques posées : la meilleure santé de l'échantillon, par exemple grâce à des acquisitions non fluorescentes (imagerie en champ clair), la résolution spatiale la plus élevée, par exemple pour étudier la signalisation moléculaire (bloc de construction bleu), le plus grand champ de vision pour par exemple capturer un organisme ou un organe entier tel que le cerveau entier (bloc de construction orange), ou la résolution temporelle la plus élevée pour capturer des processus rapides tels que la signalisation neuronale ou les mouvements d'organismes (bloc de construction jaune). c À l'avenir, nous prévoyons que de nouveaux schémas d'imagerie intelligents et adaptatifs surmonteront la limitation actuelle en fournissant une imagerie modulaire au sein d'une seule expérience. Ainsi, un microscope pourra utiliser des détections basées sur des événements pour basculer automatiquement entre les modes d'imagerie, qui optimisent par exemple le grand champ de vision (bloc de construction orange), la résolution spatiale (bloc de construction bleu) et temporelle (blocs de construction jaunes) et la santé de l'échantillon (blocs de construction verts). d Dans une mise en œuvre récente d'un tel nouveau schéma d'imagerie, Mahecic et al.96 ont utilisé des réseaux de neurones pour les détections basées sur les événements. Ici, l'architecture du réseau U-Net utilisé est affichée qui prend une image d'entrée acquise et produit une carte de probabilité basée sur les événements pour guider le microscope. Le U-Net se compose de sections d'encodeur (couches de sous-échantillonnage, bleu), de décodeur (suréchantillonnage, vert) et de connexions entre les couches (beige).

Pour repousser la barrière de l'imagerie volumétrique, l'excitation multiphotonique49,50,51, la mise en forme du front d'onde52, le nettoyage des tissus53 et la microscopie d'expansion54,55 ont été développés pour surmonter les limites physiques de l'imagerie dues aux processus de diffusion et d'absorption de la lumière. La diffusion et l'absorption physiques sont dues aux chromophores absorbants inhérents aux tissus tels que le sang, la mélanine, l'eau ou les pigments, et aux diffuseurs à petite et grande échelle dans la structure des cellules et des tissus56,57. Il en résulte une pénétration réduite de la microscopie optique dans les tissus, limitant l'imagerie à quelques dizaines à centaines de micromètres de la surface des tissus58 (c'est-à-dire un libre parcours optique moyen).

L'excitation multiphotonique49,50,51 a augmenté la profondeur de pénétration optique à plus d'un mm dans certains tissus49,59. Cependant, il est important de noter que la microscopie à feuille de lumière ne bénéficie pas aussi fortement de l'excitation multiphotonique que les techniques de balayage raster. En effet, un microscope à feuille de lumière doit encore former une image à champ large, qui est sévèrement limitée par la diffusion de la lumière dans la longueur d'onde visible. En revanche, les microscopes à balayage multiphoton n'ont pas besoin de former une image nette avec les photons de fluorescence de retour et peuvent donc aller beaucoup plus loin. Ainsi, la microscopie à feuille de lumière intravitale est actuellement limitée à une profondeur inférieure à 100 microns dans la plupart des tissus.

Comme alternative, un choix judicieux d'un organisme modèle raisonnablement translucide, comme les lignées de poisson zèbre sans pigmentation60, a permis l'imagerie par feuille de lumière in situ et in vivo. En outre, le réglage de l'indice de réfraction du milieu d'immersion mieux à l'échantillon61,62 réduit la diffusion et améliore ainsi la profondeur de pénétration. En outre, un passage aux sondes fluorescentes dans la fenêtre proche infrarouge II (900-1700 nm) s'est avéré prometteur pour augmenter la portée des microscopes à feuille de lumière dans les tissus63. Les longueurs d'onde plus longues ont intrinsèquement un libre parcours moyen de diffusion plus long et peuvent chevaucher la fenêtre d'absorption des tissus biologiques64. Le développement de sondes pour cette fenêtre optique, cependant, est resté difficile car l'absorption et l'émission à des longueurs d'onde plus longues nécessitent une conjugaison électronique accrue, qui s'accompagne souvent d'une rigidité moléculaire réduite, d'une augmentation des sources de désintégration non radiative et de faibles rendements quantiques. Les points quantiques67 et les nanotubes de carbone68 ont été utilisés comme alternative aux protéines fluorescentes/molécules de colorant, mais compliquent la spécificité et la biocompatibilité du marquage. Par conséquent, l'avenir de l'imagerie par nappe de lumière proche infrarouge dépend fortement des avancées futures dans le développement des sondes.

De plus, les progrès dans les schémas de correction de front d'onde, en particulier l'optique adaptative multi-conjuguée (MCAO)69,70, peuvent encore augmenter la profondeur de pénétration optique. MCAO résout le problème selon lequel l'optique adaptative conventionnelle ne peut corriger qu'une petite zone, appelée patch isoplanatique71,72. Dans les tissus, ce patch peut être plus petit que le champ de vision de la caméra, annulant les avantages de la détection parallélisée de la microscopie à feuille de lumière. En corrigeant séparément différentes régions de tissu, la MCAO a le potentiel d'augmenter la taille du patch isoplanatique et peut permettre une imagerie efficace de la feuille de lumière dans les tissus. L'optique adaptative conventionnelle pour la microscopie à feuille de lumière a été démontrée73,74, mais la configuration présentait une grande complexité. Pour corriger rapidement les aberrations variant dans l'espace, des capteurs de front d'onde dédiés et des miroirs déformables ont été utilisés à la fois dans le chemin d'excitation et d'émission du microscope à feuille de lumière. En tant que tel, il peut sembler exagéré au premier abord d'ajouter encore plus de composants pour MCAO, rendant un tel système trop complexe. Cependant, nous envisageons que grâce à l'apprentissage automatique, les aberrations puissent être détectées sans capteurs de front d'onde dédiés75,76, ce qui allégerait considérablement les contraintes d'équipement. De plus, au lieu de miroirs déformables, les lames d'onde déformables transmissives se sont révélées prometteuses pour la correction du front d'onde77. En principe, de tels dispositifs peuvent être empilés dans un espace image du microscope pour effectuer une MCAO, ou un dispositif de mise en forme de front d'onde 3D intégré dédié pourrait être conçu.

Pour les tissus fixes, la préparation de l'échantillon par compensation de tissu53 peut largement surmonter les limites de profondeur associées à la diffusion de la lumière. Particulièrement intéressante dans ce contexte est la microscopie d'expansion54,55, qui peut grossir physiquement un échantillon dix fois ou plus78,79 (Fig. 1d). Cela augmente efficacement le pouvoir de résolution de tout microscope par le facteur d'expansion, et permet ainsi aux microscopes à feuille de lumière d'atteindre des niveaux de résolution qui étaient jusqu'à présent limités à la microscopie à super-résolution (Fig. 2a). Par conséquent, la microscopie d'expansion est un moyen de surmonter la barrière d'imagerie volumétrique en modifiant l'échantillon, avec la mise en garde que le processus d'expansion pourrait ne pas toujours préserver l'ultrastructure et une validation minutieuse est nécessaire80. Le défi consiste maintenant à imager efficacement les volumes mille fois plus grands, ce qui permettra même de tester les microscopes volumétriques à feuille de lumière les plus efficaces. Au fur et à mesure que la microscopie d'expansion progresse, nous constatons la nécessité de concevoir de nouveaux microscopes à feuille de lumière avec un champ de vision toujours plus large, des caméras plus grandes et des distances de travail. De plus, des techniques qui mosaïquent rapidement81,82 ou balayent39 la feuille de lumière pour couvrir un large champ de vision pourraient devenir plus nécessaires dans cette quête.

Bien qu'il soit possible de repousser les barrières de l'imagerie avec de nouveaux développements, comme l'ont fait la microscopie à feuille de lumière3 et la microscopie d'expansion54,55, une approche complémentaire consiste à combiner de manière modulaire les forces de différentes techniques dans un flux de travail d'imagerie (Fig. 3c). Ainsi, le système de microscope déterminera par lui-même quand et comment appliquer quel module, tel que l'échantillonnage spatio-temporel, le champ de vision et l'irradiation de l'échantillon. Ainsi, nous envisageons que de tels schémas d'imagerie intelligents et adaptatifs surmonteront l'échantillonnage Nyquist traditionnel et élargiront les capacités de la microscopie optique, y compris la microscopie à feuille de lumière.

Les premières étapes vers de tels systèmes intelligents et adaptatifs universels ont déjà été franchies. Une exigence émergente pour tout schéma d'imagerie intelligent et adaptatif est une boucle de rétroaction basée sur le traitement en temps réel et à la volée des données acquises pour surveiller les changements.

L'analyse en temps réel des images au microscope a été établie pour améliorer les paramètres d'imagerie dans une modalité d'imagerie. Dans un article historique, McDole et al.4 ont appliqué la microscopie à feuille de lumière adaptative pour capturer le développement de l'embryon de souris (Fig. 1b) par le suivi des échantillons en temps réel et l'ajustement automatique du volume d'imagerie global et d'autres paramètres du microscope. Le schéma d'imagerie compense ainsi la dérive, la croissance et l'évolution des propriétés optiques, s'améliorant par rapport à la routine de microscopie automatisée AutoPilot83 précédemment publiée qui nécessitait une taille et une forme presque constantes. Les paramètres importants pour les techniques basées sur la feuille de lumière sont l'optimisation du volume d'imagerie et le chevauchement spatial entre la feuille de lumière et les plans focaux de détection, y compris leurs décalages et angles relatifs4,83]. À notre avis, la principale différence avec un microscope traditionnel est le découplage de l'éclairage et de la détection, et donc cet alignement relatif est essentiel pour de meilleures performances d'imagerie. De plus, des schémas d'imagerie ont été conçus pour trouver automatiquement les meilleurs angles dans les acquisitions SPIM31 ou adapter le dosage d'éclairage en microscopie à super-résolution84,85 et en microscopie multiphotonique86,87,88. De plus, l'ajustement automatique du volume d'imagerie pour s'adapter à la morphologie de l'échantillon a montré une réduction drastique de la durée de l'imagerie et de la dose de lumière globale, et ainsi amélioré la santé de l'échantillon89,90,91.

Pour passer d'une modalité d'imagerie à l'autre (Fig. 3c), des mécanismes de détection des événements d'intérêt sont nécessaires. La détection d'événements repose ainsi sur l'identification précoce de changements dans les structures ou le comportement biologiques, tels qu'une prochaine division cellulaire ou une signalisation cellulaire, pour ne citer que quelques exemples. Dans une première mise en œuvre de la microscopie événementielle, Almada et al.92 ont effectué un traitement d'échantillons non supervisé, à haut contenu et axé sur les événements et une imagerie directe à fixe. Ainsi, ils se sont appuyés sur l'arrondi des cellules mitotiques comme signal biologique, déterminé par la segmentation cellulaire à la volée avec seuillage Otsu. En combinant l'imagerie à champ large pour la détection d'événements avec l'imagerie à super-résolution STED, Alvelid et al.93 ont conçu une méthode multi-échelle automatisée pour imager sélectivement le recrutement des protéines, le trafic des vésicules et l'activité des biocapteurs à haute résolution. En appliquant la détection de crête accélérée par GPU, ils ont réalisé un traitement de données à l'échelle de la milliseconde. De plus, les réseaux d'apprentissage en profondeur basés sur GPU tels que l'architecture U-Net94 (Fig. 3d) promettent un grand potentiel de détection d'événements en raison de leur traitement parallèle intrinsèquement rapide de grandes images une fois formées et du développement actif de matériel spécialisé, tel que Tensor Processing Units (TPU)95. Mahecic et al.96 ont appliqué un tel réseau pour la détection d'événements des divisions mitochondriales et bactériennes à venir, permettant une imagerie sélective rapide de ces processus à des taux correspondant à leur dynamique temporelle.

Bien que l'imagerie en direct soit actuellement le principal moteur de ces schémas d'acquisition intelligents, nous envisageons également qu'ils deviennent importants dans l'exploration d'organes dégagés, voire d'animaux entiers. Bien que le temps ne soit pas une barrière dure, une fois que tous les échantillons ne sont plus vivants, c'est toujours un facteur. Cela est particulièrement vrai pour les expériences répétées et en particulier dans les milieux cliniques où les biopsies de taille mm sont courantes et la résolution cellulaire doit être obtenue pour une identification précise du type de cellule pour le pronostic. La quantité de données générées par l'imagerie de grands tissus dégagés ne peut pas non plus être sous-estimée, en particulier dans le contexte de la microscopie d'expansion. Des schémas d'imagerie intelligents seront donc cruciaux pour explorer les tissus dégagés et passer de manière autonome à une imagerie à plus haute résolution uniquement dans les zones d'intérêt.

Au cœur des routines de microscopes intelligents et adaptatifs se trouve le logiciel de contrôle du microscope qui permet des schémas de contrôle adaptatifs et des détections d'événements. Dans les implémentations disponibles, l'importance des logiciels de contrôle open source est devenue évidente. Le logiciel open source permet de contrôler et de modifier chaque aspect de l'acquisition et de l'intégration du microscope avec le logiciel d'analyse d'image rapide disponible. Ces efforts sont dirigés par des logiciels open source tels que Micro-Manager97, Pyro-Manager98, AutoScanJ99 ou d'autres logiciels de contrôle basés sur Python100,101. Comme les logiciels open source sont souvent développés et maintenus par quelques contributeurs, il restera un défi de maintenir et d'adapter les scripts au nouveau matériel et d'incorporer de nouveaux algorithmes de traitement à la volée. Par conséquent, la modularité du logiciel est essentielle, et la conteneurisation des flux de travail de traitement d'image pourrait contribuer à maintenir la compatibilité, permettant plusieurs environnements logiciels sur un seul ordinateur102,103. Pour les fournisseurs de microscopes commerciaux, nous pensons qu'il sera primordial de fournir des interfaces à ces outils open source. Une façon d'y parvenir pourrait consister à activer les événements déclenchés par les messages réseau dans les protocoles d'acquisition99.

Alors que les bases des microscopes intelligents et adaptatifs ont été posées, l'ère des microscopes intelligents vient de commencer. Reconnaissant les progrès réalisés par les réseaux d'apprentissage en profondeur dans d'autres domaines tels que la prédiction séquence-structure avec AlphaFold104 et les modèles de langage génératif à grande échelle avec GPT105, nous envisageons des expériences au microscope où un utilisateur pourrait saisir des mots clés tels que "capturer tous les événements d'endocytose" et le microscope imagerait alors systématiquement ces événements dans l'échantillon.

Cela nécessiterait de former des réseaux d'apprentissage en profondeur avec une base universelle dans les concepts fondamentaux de la biologie et d'associer des termes biologiques à leurs apparences en microscopie visuelle. La disponibilité croissante de référentiels d'images publics, par exemple l'Image Data Resource106, et la récente directive du NIH de rendre toutes les données d'image associées à une publication disponibles pourraient être un premier pas dans cette direction pour former de tels réseaux. Des défis subsistent, par exemple, la disponibilité de quantités massives de données de microscope avec une annotation insuffisante pourrait les rendre moins efficaces pour former les réseaux d'apprentissage en profondeur prévus pour la microscopie. Fondamentalement, contrairement au langage naturel, les images ne sont pas liées à un « dictionnaire » ou à un « vocabulaire » visuel standard, mais démontrent une hétérogénéité visuelle significative, même pour la même biologie. La question reste ouverte de savoir comment assurer la généralisabilité et l'évolutivité de tout réseau formé au-delà d'un seul processus biologique et d'un seul laboratoire. De plus, la formation d'un tel réseau universel de microscopie entraînera probablement des coûts importants qui sont actuellement hors de portée des institutions de microscopie, sans parler des laboratoires individuels. Pour surmonter certaines de ces limitations, les réseaux d'apprentissage en profondeur auto-supervisés se sont révélés prometteurs pour identifier des caractéristiques morphologiques similaires dans de grands référentiels d'images d'histologie de diapositives entières, indépendamment de la taille de l'image du référentiel et avec presque aucune annotation107. Le développement de techniques permettant d'apprendre uniquement à partir d'une supervision faible ou limitée108 ou de déployer un apprentissage actif expert-in-the-loop109 pour annoter et affiner les cas « difficiles » peut également présenter une voie prometteuse et rentable pour l'apprentissage à grande échelle.

Dans une voie similaire, les modèles probabilistes « non supervisés » pourraient apprendre la distribution des images disponibles pour permettre la recherche d'événements rares afin de découvrir une biologie jusque-là inconnue. Un exemple d'une découverte aussi rare par des annotateurs humains a été la découverte de structures dans le système vasculaire cérébral du poisson zèbre appelées Kugeln110 après de nombreuses années de recherche et d'imagerie du système vasculaire cérébral du poisson zèbre. À l'avenir, un microscope intelligent pourrait lui-même présenter de telles découvertes.

Une autre limitation actuelle du traitement à la volée est le temps nécessaire au traitement des données, car un microscope à feuille de lumière peut facilement générer des gigaoctets de données en quelques secondes. Cependant, nous nous attendons à des progrès considérables vers des pipelines de traitement plus rapides dans un avenir prévisible. Outre les progrès dans de meilleurs algorithmes, cette accélération viendra en partie grâce aux progrès du matériel informatique. Les architectures informatiques actuelles reposent encore principalement sur une mémoire CPU et GPU séparée et séparée, ce qui nécessite un transfert lent des données entre eux. À l'avenir, nous nous attendons à ce que l'acquisition du microscope repose sur une seule ressource de mémoire physique (par exemple, Soc DRAM), partagée par le CPU et le GPU, actuellement disponible par exemple sur NVIDIA Jetson111, ce qui éliminera la copie de données dans les deux sens entre le CPU et le GPU et ainsi rendre le meilleur des deux mondes disponible pour un traitement rapide - potentiellement même sur la puce de la caméra. Ainsi, la microscopie peut bénéficier du développement d'outils permettant la conduite autonome, où un grand nombre d'images sont analysées à la volée pour identifier les dangers de la rue, les autres voitures ou les piétons.

En plus de modifier les paramètres et les modules d'imagerie lors de l'acquisition avec des schémas d'imagerie intelligents et adaptatifs, des schémas d'acquisition peuvent être conçus lorsqu'un ensemble de données d'image à plus haute résolution est reconstruit après l'acquisition à partir d'un balayage à basse résolution ou d'un balayage qui contient délibérément des régions manquantes. Cela a le potentiel de réduire considérablement la dose de lumière globale sur l'échantillon, le volume de données acquises et le temps d'acquisition. Après la reconstruction de l'image, la résolution du système d'imagerie d'origine est récupérée, voire augmentée, surmontant les compromis d'imagerie traditionnels (Fig. 3a). Avec les progrès de la théorie de la reconstruction d'images avec des approches de détection compressée112,113,114 et d'apprentissage automatique115,116,117,118, nous prévoyons que de tels algorithmes deviendront plus répandus à l'avenir.

La détection compressée112,113,114 est un cadre mathématique qui décrit comment capturer et représenter des signaux (images) à des taux nettement inférieurs au taux de Nyquist. La théorie de la détection compressée repose traditionnellement sur trois concepts : parcimonie, incohérence et échantillonnage aléatoire119. Si les trois sont donnés, une reconstruction réussie d'un signal sous-échantillonné peut être obtenue. Un signal est parcimonieux lorsqu'il peut être représenté dans un certain domaine ou sur une base avec seulement quelques paramètres non nuls. Par conséquent, la contrainte de parcimonie est généralement remplie pour la microscopie fluorescente car ils sont souvent déjà clairsemés dans leur représentation en pixels (par exemple, peu de structures sélectivement marquées), ou peuvent être facilement compressés, ce qui signifie qu'il existe une base, par exemple, dans les ondelettes, dans lesquelles de nombreux composants sont nuls. Cependant, l'incohérence (les valeurs de la matrice de mesure sont uniformément réparties) et l'échantillonnage aléatoire uniforme font souvent défaut en microscopie119. Après tout, les capteurs d'image actuels acquièrent des données de manière déterministe sur un réseau 2D, et non de manière aléatoire. Néanmoins, l'application de la détection compressée a été démontrée avec succès et de nouveaux principes de détection compressée ont été introduits pour combler le fossé entre la théorie et la pratique : incohérence asymptotique, parcimonie asymptotique et échantillonnage à plusieurs niveaux119.

Plusieurs applications réussies de la détection compressée en imagerie et en microscopie ont été démontrées120. Ces applications incluent une fréquence d'images massivement accélérée des caméras, atteignant 100 milliards d'images par seconde121. De plus, la détection compressée a été mise en œuvre sur un microscope à feuille de lumière en treillis et un microscope à épifluorescence pour réduire l'exposition à la lumière et le temps d'acquisition de 5 à 10 fois122, et appliquée pour l'imagerie anatomique à haut débit de cerveaux de souris entiers d'environ 400 mm3 sur une échelle de temps d'environ 10 min123. Surtout, la reconstruction de détection compressée n'est pas supervisée et ne nécessite pas de données de formation préalables. De plus, la précision de la reconstruction s'améliore à mesure que la résolution augmente124. Cela fait de la détection compressée une technique attrayante pour l'avenir des schémas d'imagerie multi-résolution et à feuille de lumière intelligente.

De même, les réseaux d'apprentissage en profondeur peuvent apprendre la restauration d'images à partir de données de formation125,126,127. Ainsi, l'apprentissage en profondeur peut résoudre plusieurs limites de la détection compressée126. Traditionnellement, la détection compressée nécessite une procédure de reconstruction artisanale, qui peut être difficile à établir pour des modèles d'image sophistiqués. De plus, de telles procédures de reconstruction sont basées sur des algorithmes d'optimisation inverse itératifs qui ont tendance à être lents et délicats à régler correctement, et ainsi la reconstruction est difficile à réaliser en temps réel. En revanche, la reconstruction avec apprentissage en profondeur ne nécessite qu'une seule propagation rapide à travers le réseau. De plus, l'incohérence (asymptotique) des données requises pour la détection compressée n'est pas strictement requise pour les réseaux d'apprentissage en profondeur, en revanche, ils pourraient bénéficier de données cohérentes. Sans surprise, les applications de l'apprentissage en profondeur pour les reconstructions d'images sont donc un domaine de recherche très actif et une variété de réseaux ont été développés pour cette tâche126,127.

L'apprentissage en profondeur, cependant, fait face à plusieurs défis. Les modèles d'apprentissage en profondeur ne fournissent pas encore la généralisation, la robustesse et la stabilité des reconstructions fournies par la détection compressée établie et souffrent d'hallucinations, c'est-à-dire la création d'artefacts réalistes127,128. Ceci est lié à la question de savoir comment les réseaux bien formés généralisent en dehors de leur ensemble de formation et de l'équité du modèle, la capacité des modèles à capturer et représenter de manière égale les phénotypes communs et rares. Nous attendons des progrès considérables dans les prochaines années pour répondre à ces questions. Le rapport de quantification des incertitudes sera donc crucial pour interpréter les reconstructions. À cette fin, des modèles tels que l'inversion bayésienne129 et des techniques telles que l'abandon bayésien130 existent pour générer des mesures d'incertitude à partir de modèles d'apprentissage en profondeur. Cependant, l'exactitude des mesures d'incertitude nécessite une évaluation externe supplémentaire pour déterminer leur capacité à tenir compte de l'incertitude aléatoire et épistémique131,132.

De plus, l'approche basée sur les données des réseaux d'apprentissage en profondeur dépend de la disponibilité de bonnes données de formation (taille, équilibre et qualité) reflétant l'application prévue. Cela est particulièrement vrai pour la reconstruction d'image, qui nécessite une sortie avec des données de résolution la plus élevée, contrairement aux tâches de classification et aux segmentations (binaires) qui sont par essence des données grossières. Cependant, alors que les réseaux populaires tels que GPT105 reposent sur une abondance de données disponibles avec des restrictions limitées, les tâches de reconstruction d'images de microscopie sont généralement des applications spécialisées avec de petits ensembles de données. Un espoir est qu'à l'avenir, avec des mandats pour héberger toutes les données de microscope accompagnant une publication, des données de formation bien plus nombreuses et mieux annotées deviendront éventuellement disponibles. De plus, l'augmentation des données, par exemple par une transformation géométrique telle que des rotations d'images, peut augmenter la taille des données133. De plus, l'application d'un réseau d'apprentissage en profondeur qui a été pré-formé pour différentes tâches sur des ensembles de données plus diversifiés et plus vastes pourrait être bénéfique, un concept connu sous le nom d'apprentissage par transfert134. De plus, les approches de méta-apprentissage135,136 pour former spécifiquement les réseaux dans le cadre de quelques images peuvent produire des réseaux plus performants dans un déploiement réel. De même, des architectures de réseau d'apprentissage en profondeur plus physiquement informées, qui modélisent le processus de génération d'images, peuvent aider à garantir des prédictions réalistes et à réduire le nombre de paramètres libres à adapter pour un apprentissage plus rapide et plus généralisable137,138. Enfin, l'adoption d'un paradigme d'apprentissage continu au lieu d'une formation ponctuelle peut aider à s'adapter en permanence aux nouvelles données et conditions d'imagerie.

Malgré ces préoccupations, les techniques de restauration de l'apprentissage en profondeur ont été appliquées avec succès et ont même été approuvées par la FDA pour certaines applications telles que les tomodensitogrammes139. En microscopie à super-résolution, des améliorations considérables de la vitesse d'acquisition ont été rapportées grâce à la restauration140,141,142. Pour la microscopie à feuille de lumière, les réseaux d'apprentissage en profondeur tels que CARE143 ont amélioré le rapport SNR des images acquises avec moins de puissance laser ou une exposition plus rapide. Fait intéressant, les réseaux d'apprentissage en profondeur ont également été appliqués pour influencer directement le processus d'échantillonnage. Horstmeyer et al. ont développé des réseaux de neurones convolutifs pour optimiser la disposition physique d'un microscope afin d'améliorer la précision de l'identification des cellules infectées par le paludisme de 5 à 10 %144. Nous prévoyons que les développements futurs tireront davantage parti de cette voie de co-optimisation de l'acquisition d'images avec des réseaux d'apprentissage en profondeur pour l'analyse. Comprendre à la fois le système d'imagerie et le processus conduira ainsi à des temps de traitement plus rapides et à de meilleures reconstructions138.

Enfin, il est également important de réaliser qu'une image est souvent une étape intermédiaire à la quantification d'un processus biologique. Par conséquent, pour de nombreuses études, une image reconstruite d'apprentissage en profondeur visuellement attrayante peut être moins importante que d'avoir des données d'image avec des conclusions rigoureusement quantifiables. Cela pourrait atténuer certains des défis décrits ci-dessus, mais nécessite une compréhension précise du système d'imagerie et de la formation d'images. A cette fin, Pégard et al. démontrer la microscopie compressive à champ lumineux, permettant la quantification en temps réel de l'activité cérébrale sans jamais reconstruire une image 3D145.

Nous prévoyons que la technologie des feuilles de lumière elle-même progressera sous la forme de conceptions optiques raffinées, de meilleurs détecteurs, de nouvelles sondes, d'une capacité d'imagerie NIR et de méthodes de contraste potentiellement non fluorescentes, telles que la diffusion Raman. Certains aspects techniques de la technologie des feuilles de lumière peuvent cependant être optimisés au maximum, comme l'ouverture numérique qui peut être couverte dans un microscope à feuille de lumière146,147. Des gains supplémentaires dans ce domaine réduiraient probablement aussi la praticabilité de l'instrument. Ceci est imposé par la configuration orthogonale du LSFM et le fait que les objectifs à grande NA nécessitent un grand angle d'ouverture. De ce fait, l'amélioration de la résolution latérale au-delà d'un certain seuil se fait au prix d'une diminution de la résolution axiale et inversement, les cônes lumineux d'excitation et de détection partageant un angle solide limité.

Au lieu de cela, nous pensons que l'impact futur des systèmes de feuille de lumière dépend grandement de leur caractère pratique et de leur applicabilité aux questions de recherche biologique et biomédicale. De nombreuses conceptions traditionnelles de feuilles de lumière nécessitent un montage d'échantillon non traditionnel5,36 et n'offrent qu'un espace limité pour l'échantillon lui-même (Fig. 1a).

Une alternative prometteuse sont les microscopes à dessus ouvert37,148 et à plan oblique (OPM)8,28,149, qui laissent un demi-espace libre (Fig. 4a) pour placer des échantillons de tailles en principe arbitraires. Les progrès dans la conception optique de ces microscopes ont permis des microscopes avec un grand champ de vision millimétrique150,151,152,153,154 et des microscopes à haute résolution8,155, et même avec les deux modalités156. Récemment, des microscopes commerciaux ont également été développés sur la base de la microscopie à ciel ouvert157. En tant que tels, nous pensons que les systèmes à toit ouvert et OPM permettront une adoption généralisée de la microscopie à feuille de lumière, car des méthodes conventionnelles de montage d'échantillons peuvent être utilisées, et l'intégration dans des corps de microscope standard est en principe possible avec OPM. Cela ouvre la voie à l'imagerie tridimensionnelle à haut débit à l'aide de plaques multipuits, à l'imagerie d'échantillons toxiques ou infectieux contenus dans des boîtes (scellées) et à des approches d'imagerie multimodale (Fig. 4b).

a Oblique Plane Light-Sheet Microscopy (OPM) est un exemple de géométries à dessus ouvert, où un objectif principal NA élevé fournit à la fois l'éclairage (bleu) et la détection (trois émetteurs fluorescents le long de la feuille de lumière, représentés en vert foncé, le vert clair montre la fluorescence collectée par l'OPM à partir de ces trois émetteurs). Cela supprime le besoin d'objectifs d'éclairage supplémentaires comme dans les microscopes à feuille de lumière traditionnels, et offre ainsi un nouvel espace de conception optique disponible et une meilleure accessibilité. Pour scanner un volume 3D, la feuille de lumière est balayée à travers l'objectif et aucun mouvement de platine ou d'échantillon n'est nécessaire. b L'OPM facilite la microscopie à feuille de lumière pour (i) de nouvelles applications à haut débit, multipuits et des dispositifs microfluidiques, (ii) l'imagerie de nouvelles sondes qui sont scellées pour réduire les contaminations sur de longues périodes et l'imagerie d'agents pathogènes tels que les bactéries et les virus, (iii) et les combinaisons avec d'autres modalités telles que la microscopie à force atomique (AFM).

Open top et OPM ont également ouvert de nouveaux espaces de conception pour l'ingénierie optique. L'OPM s'appuie sur la refocalisation à distance158, qui décrit la capacité à créer une image 3D sans aberration de l'échantillon dans un espace éloigné de l'échantillon. Le plan de feuille de lumière incliné dans cette image 3D peut ensuite être cartographié avec un autre microscope sur une caméra. Alors que le principe de mise au point à distance158 sous-jacent à l'OPM a été établi il y a plus de dix ans, il a été récemment réanalysé159 pour permettre l'imagerie à travers différents indices de réfraction. Les nouvelles découvertes peuvent permettre une imagerie à feuille de lumière haute résolution dans n'importe quel milieu d'immersion, renforçant la polyvalence et l'applicabilité de la microscopie à feuille de lumière. Cela ne devrait servir qu'à titre d'exemple sur la façon dont les améliorations pourraient encore provenir des découvertes de principes et de théories optiques, ainsi que de l'ingénierie.

Nous prévoyons que la microscopie à feuille de lumière jouera un rôle important dans les sciences biomédicales et les applications cliniques pour l'imagerie microscopique et macroscopique à l'avenir. Sa combinaison d'imagerie volumétrique rapide mais douce servira de base à des études physiologiquement pertinentes de la biologie cellulaire dans la culture cellulaire, dans les organoïdes, dans les tissus (modifiés), les biopsies cliniques et chez les animaux entiers. En tant que tel, on peut rêver grand, un avenir où la biologie sous-cellulaire peut être étudiée en direct dans son contexte natif, sans les limitations imposées par les méthodes traditionnelles de culture cellulaire sur lamelles.

Pour réaliser ce rêve, nous nous attendons à ce que les microscopes à feuille de lumière surmontent les barrières d'imagerie volumétrique et temporelle imposées par les contraintes des systèmes de microscope et de l'échantillon. Ce ne sera plus une tâche qu'un opérateur de microscope humain ou un analyste d'images pourra gérer seul. Au lieu de cela, de nouveaux schémas de contrôle de microscope intelligents et adaptatifs exploreront des échantillons de manière autonome et autonome pour imager les processus d'intérêt de manière sélective à des taux correspondant à leur dynamique. Ces schémas permettront de nouvelles découvertes biologiques autonomes et des études d'imagerie systématiques des processus qui se déroulent sur plusieurs longueurs et échelles de temps.

Outre un débit accru, de tels schémas d'acquisition promettent également de freiner le déluge de données. Les données actuelles des feuilles de lumière peuvent déjà atteindre des échelles de pétaoctets et atteindront probablement bientôt des ordres de grandeur encore plus élevés. Comme les schémas d'acquisition de données intelligents et adaptatifs ne suivent plus l'échantillonnage de Nyquist au niveau le plus fin sur l'ensemble de l'ensemble de données, l'échantillonnage le plus fin ne sera appliqué que de manière sélective. De plus, la sélection algorithmique des régions d'intérêt éliminera les biais humains et améliorera ainsi la reproductibilité des études d'imagerie.

Comme pour tout regard vers l'avenir, il est probable que le domaine pourrait prendre des directions très différentes. Après tout, qui aurait prévu la microscopie d'expansion54,55 avant 2015, qui a eu un impact inimaginable sur la microscopie à fluorescence. Ainsi, bien que nous soyons enthousiasmés par les possibilités que nous avons décrites ici, nous espérons également que la communauté des microscopes restera aussi imaginative qu'elle l'a été au cours des 20 dernières années, réservant bien d'autres surprises.

De plus amples informations sur la conception de la recherche sont disponibles dans le résumé des rapports sur le portefeuille Nature lié à cet article.

Lippincott-Schwartz, J. & Patterson, GH Développement et utilisation de marqueurs protéiques fluorescents dans les cellules vivantes. Sciences 300, 87-91 (2003).

Article CAS PubMed Google Scholar

Sezgin, E. & Schwille, P. Techniques de fluorescence pour étudier la dynamique des lipides. Cold Spring Harb. Perspective. Biol. 3, a009803 (2011).

Article PubMed PubMed Central Google Scholar

Huisken, J., Swoger, J., Del Bene, F., Wittbrodt, J. & Stelzer, EHK Sectionnement optique profondément à l'intérieur des embryons vivants par microscopie à éclairage plan sélectif. Sciences 305, 1007-1009 (2004). L'article historique de Huisken et al. annonce l'application de la microscopie à feuille de lumière.

Article CAS PubMed Google Scholar

McDole, K. et al. Imagerie in toto et reconstruction du développement de souris post-implantation au niveau d'une seule cellule. Cellule 175, 859–876.e33 (2018). Cette étude décisive s'appuie sur des schémas d'imagerie adaptatifs pour imager le développement de la souris après l'implantation avec une résolution et une couverture volumétrique sans précédent.

Article CAS PubMed Google Scholar

Daetwyler, S., Günther, U., Modes, CD, Harrington, K. & Huisken, J. Acquisition d'images SPIM multi-échantillons, traitement et analyse de la croissance vasculaire chez le poisson zèbre. Développement 146, dev.173757 (2019).

Article Google Scholar

Jain, A. et al. La fluidisation tissulaire régionalisée est nécessaire pour la fermeture de l'espace épithélial pendant la gastrulation des insectes. Nat. Commun. 11, 5604 (2020).

Article CAS PubMed PubMed Central Google Scholar

Serra, D. et al. Auto-organisation et rupture de symétrie dans les organoïdes intestinaux. Dév. Nat. 569, 66-72 (2019).

Article CAS Google Scholar

Sapoznik, E. et al. Un microscope plan oblique polyvalent pour l'imagerie à grande échelle et à haute résolution de la dynamique subcellulaire. eLife 9, e57681 (2020). Dans cette étude, une microscopie à plan oblique avec une résolution subcellulaire et une capacité opto-génétique est présentée.

Article CAS PubMed PubMed Central Google Scholar

Welf, ES et al. La libération d'actine-membrane initie des protrusions cellulaires. Dév. Cellule 55, 723–736.e8 (2020).

Article CAS PubMed PubMed Central Google Scholar

Reynaud, EG, Kržič, U., Greger, K. & Stelzer, EHK Microscopie à fluorescence à base de feuille de lumière : plus de dimensions, plus de photons et moins de photodommages. HFSP J. 2, 266–275 (2008).

Article PubMed PubMed Central Google Scholar

Khairy, K. & Keller, PJ Reconstruire le développement embryonnaire. genèse 49, 488–513 (2011).

Article PubMed Google Scholar

Tomer, R., Khairy, K. & Keller, PJ Faire la lumière sur le système : étudier le développement embryonnaire avec la microscopie à feuille de lumière. Courant. Avis. Genet. Dév. 21, 558–565 (2011).

Article CAS PubMed Google Scholar

Höckendorf, B., Thumberger, T. & Wittbrodt, J. Analyse quantitative de l'embryogenèse : une perspective pour la microscopie à feuille de lumière. Dév. Cellule 23, 1111-1120 (2012).

Article PubMed Google Scholar

Pampaloni, F., Chang, B.-J. & Stelzer, EHK Microscopie à fluorescence sur feuille de lumière (LSFM) pour l'imagerie quantitative des cellules et des tissus. Tissu cellulaire Res. 360, 129-141 (2015).

Article CAS PubMed Google Scholar

Weber, M. & Huisken, J. Microscopie à feuille de lumière pour la biologie du développement en temps réel. Courant. Avis. Genet. Dév. 21, 566-572 (2011).

Article CAS PubMed Google Scholar

Daetwyler, S. & Huisken, J. Microscopie à fluorescence rapide avec nappes lumineuses. Biol. Taureau. 231, 14-25 (2016).

Article PubMed Google Scholar

Stelzer, EHK et al. Microscopie à fluorescence en nappe de lumière. Nat. Rev. Méthodes Prim. 1, 73 (2021). Un examen récent et approfondi de la microscopie à feuille de lumière.

Article CAS Google Scholar

Huisken, J. Trancher doucement les embryons avec des feuilles de lumière laser. BioEssays 34, 406–411 (2012).

Article PubMed Google Scholar

Wan, Y., McDole, K. & Keller, PJ Microscopie à feuille de lumière et son potentiel pour comprendre les processus de développement. Annu. Rev. Cell Dev. Biol. 35, 655–681 (2019).

Article CAS PubMed Google Scholar

Icha, J., Weber, M., Waters, JC & Norden, C. Phototoxicité en microscopie à fluorescence en direct et comment l'éviter. BioEssays 39, 1700003 (2017).

Article Google Scholar

Huisken, J. & Stainier, DYR Même excitation de fluorescence par microscopie à éclairage plan sélectif multidirectionnel (mSPIM). Opter. Lett. 32, 2608-2610 (2007).

Article PubMed Google Scholar

Fahrbach, FO & Rohrbach, A. La stabilité de propagation des faisceaux de Bessel auto-reconstituants permet une imagerie à contraste amélioré dans les milieux épais. Nat. Commun. 3, 632 (2012).

Article PubMed Google Scholar

Chen, C.-B. et coll. Microscopie à feuille de lumière en réseau : imagerie de molécules d'embryons à haute résolution spatio-temporelle. Sciences 346, 1257998 (2014). Article séminal sur la microscopie à feuille de lumière subcellulaire utilisant des réseaux optiques.

Article PubMed PubMed Central Google Scholar

Vettenburg, T. et al. Microscopie à feuille de lumière utilisant un faisceau d'Airy. Nat. Méthodes 11, 541–544 (2014).

Article CAS PubMed Google Scholar

Chang, B.-J. et coll. Génération universelle de nappes de lumière avec synthèse de champ. Nat. Méthodes https://doi.org/10.1038/s41592-019-0327-9 (2019).

Golub, I., Chebbi, B. & Golub, J. Vers le "tapis magique" optique : réduction de la divergence d'une nappe de lumière en dessous de la limite de diffraction. Opter. Lett. 40, 5121–5124 (2015).

Article PubMed Google Scholar

Tomer, R. et al. Microscopie à nappe lumineuse SPED : cartographie rapide de la structure et de la fonction du système biologique. Cellule 163, 1796-1806 (2015).

Article CAS PubMed PubMed Central Google Scholar

Dunsby, C. Imagerie en coupe optique par microscopie à plan oblique. Opter. Express 16, 20306–20316 (2008). Article séminal sur la microscopie à plan oblique, qui permet la microscopie à feuille de lumière à travers un seul objectif.

Article CAS PubMed Google Scholar

Fahrbach, FO, Voigt, FF, Schmid, B., Helmchen, F. & Huisken, J. Microscopie à feuille de lumière 3D rapide avec une lentille accordable. Opter. Express 21, 21010–21026 (2013).

Article PubMed Google Scholar

Horl, D. et al. BigStitcher : reconstruction d'ensembles de données d'images haute résolution d'échantillons effacés et étendus. Nat. Méthodes 16, 870–874 (2019).

Article PubMed Google Scholar

He, J. & Huisken, J. La rotation intelligente guidée par la qualité de l'image améliore la couverture en microscopie. Nat. Commun. 11, 150 (2020).

Article CAS PubMed PubMed Central Google Scholar

Swoger, J., Verveer, P., Greger, K., Huisken, J. & Stelzer, EHK La fusion d'images multi-vues améliore la résolution en microscopie tridimensionnelle. Opter. Express 15, 8029–8042 (2007).

Article PubMed Google Scholar

Krzic, U., Gunther, S., Saunders, TE, Streichan, SJ et Hufnagel, L. Microscope à feuille de lumière multivue pour une imagerie rapide dans son intégralité. Nat. Méthodes 9, 730–733 (2012).

Article CAS PubMed Google Scholar

Tomer, R., Khairy, K., Amat, F. & Keller, PJ Imagerie quantitative à grande vitesse d'embryons entiers en développement avec microscopie à feuille de lumière multivue simultanée. Nat. Méthodes 9, 755–763 (2012). Article séminal sur l'imagerie multi-vues simultanée en microscopie à feuille de lumière.

Article CAS PubMed Google Scholar

Schmid, B. et al. La microscopie panoramique à feuille de lumière à grande vitesse révèle la dynamique globale des cellules endodermiques. Nat. Commun. 4, 2207 (2013).

Article PubMed Google Scholar

Kaufmann, A., Mickoleit, M., Weber, M. & Huisken, J. Le montage multicouche permet une imagerie à long terme du développement du poisson zèbre dans un microscope à feuille de lumière. Développement 139, 3242–3247 (2012).

Article CAS PubMed Google Scholar

Glaser, AK et al. Microscope à feuille de lumière ouvert à plusieurs immersions pour l'imagerie à haut débit des tissus nettoyés. Nat. Commun. 10, 2781 (2019). Cette étude introduit un système de feuille de lumière pour imager des échantillons de tissus effacés dans une géométrie à ciel ouvert.

Article PubMed PubMed Central Google Scholar

Voigt, FF et al. L'initiative mesoSPIM : des microscopes à feuille de lumière open source pour l'imagerie des tissus nettoyés. Nat. Méthodes 16, 1105–1108 (2019). Article important qui a introduit la microscopie à feuille de lumière mésoscopique des tissus clarifiés.

Article CAS PubMed PubMed Central Google Scholar

Chakraborty, T. et al. Microscopie à feuille de lumière des tissus nettoyés avec une résolution subcellulaire isotrope. Nat. Méthodes 16, 1109–1113 (2019). Dans cet article, une méthode de microscopie à feuille de lumière pour l'imagerie des tissus dégagés est présentée qui est compatible avec toute technique de compensation et peut fournir une résolution subcellulaire isotrope.

Article CAS PubMed PubMed Central Google Scholar

Gao, R. et al. Imagerie de la colonne corticale et du cerveau entier avec contraste moléculaire et résolution à l'échelle nanométrique. Sciences 363, eaau8302 (2019).

Article CAS PubMed PubMed Central Google Scholar

Zhang, Y. & Gross, H. Conception systématique d'objectifs de microscope. Partie I Syst. Rév. Anal. 8, 313–347 (2019).

Google Scholar

Dean, KM et al. Imagerie isotrope à travers les échelles spatiales avec microscopie à feuille de lumière à balayage axial. Nat. Protocole https://doi.org/10.1038/s41596-022-00706-6 (2022).

Wu, X. & Hammer, JA ZEISS Airyscan : optimisation de l'utilisation pour une imagerie rapide, douce et à super résolution. Dans : Microscopie confocale : Méthodes et protocoles (eds. Brzostowski, J. & Sohn, H.) 111–130 (Springer US, 2021). https://doi.org/10.1007/978-1-0716-1402-0_5.

Markow, TA, Beall, S. & Matzkin, LM Taille des œufs, temps de développement embryonnaire et ovoviviparité chez les espèces de drosophiles. J. Évolut. Biol. 22, 430–434 (2009).

Article CAS Google Scholar

Shamir, M., Bar-On, Y., Phillips, R. & Milo, R. SnapShot : échelles de temps en biologie cellulaire. Cellule 164, 1302–1302.e1 (2016).

Article CAS PubMed Google Scholar

Tsai, Y.-C. et coll. Imagerie 3D rapide à haute résolution d'échantillons biologiques expansés avec microscopie à feuille de lumière en réseau. Méthodes 174, 11–19 (2020).

Article CAS PubMed Google Scholar

Dean, KM, Roudot, P., Welf, ES, Danuser, G. & Fiolka, R. Imagerie subcellulaire sans déconvolution avec microscopie à feuille de lumière à balayage axial. Biophys. J. 108, 2807–2815 (2015).

Article CAS PubMed PubMed Central Google Scholar

Laissue, PP, Alghamdi, RA, Tomancak, P., Reynaud, EG et Shroff, H. Évaluation de la phototoxicité dans l'imagerie par fluorescence en direct. Nat. Méthodes 14, 657–661 (2017).

Article CAS PubMed Google Scholar

Lecoq, J., Orlova, N. & Grewe, BF Wide. Rapide. Deep : avancées récentes en microscopie multiphotonique de l'activité neuronale in vivo. J. Neurosci. 39, 9042 (2019).

Article CAS PubMed PubMed Central Google Scholar

Zipfel, WR, Williams, RM & Webb, WW Magie non linéaire : microscopie multiphotonique dans les biosciences. Nat. Biotechnol. 21, 1369-1377 (2003).

Article CAS PubMed Google Scholar

Horton, NG et al. Microscopie à trois photons in vivo des structures sous-corticales dans un cerveau de souris intact. Nat. Photonics 7, 205–209 (2013). Première démonstration pratique de l'imagerie à trois photons, qui peut augmenter la profondeur d'imagerie dans les tissus diffusants.

Article CAS PubMed PubMed Central Google Scholar

Yu, Z. et al. Mise en forme du front d'onde : un outil polyvalent pour conquérir la diffusion multiple dans des domaines multidisciplinaires. Innovation 3, 100292 (2022).

PubMed PubMed Central Google Scholar

Richardson, DS et al. Dégagement des tissus. Nat. Rev. Méthodes Prim. 1, 84 (2021).

Article CAS Google Scholar

Chen, F., Tillberg, PW & Boyden, ES Microscopie d'expansion. Sciences 347, 543–548 (2015). Cet article présente la microscopie d'expansion pour surmonter les limites physiques de l'imagerie.

Article CAS PubMed PubMed Central Google Scholar

Wassie, AT, Zhao, Y. & Boyden, ES Microscopie d'expansion : principes et utilisations dans la recherche biologique. Nat. Méthodes 16, 33–41 (2019).

Article CAS PubMed Google Scholar

Jacques, SL Propriétés optiques des tissus biologiques : une revue. Phys. Méd. Biol. 58, R37 (2013).

Article PubMed Google Scholar

Sandell, JL & Zhu, TC Un examen des propriétés optiques in vivo des tissus humains et de son impact sur la PDT. J. Biophotonics 4, 773–787 (2011).

Article PubMed PubMed Central Google Scholar

Berke, IM, Miola, JP, David, MA, Smith, MK & Price, C. Voir à travers les tissus musculo-squelettiques : améliorer l'imagerie in situ de l'os et du système canaliculaire lacunaire grâce à la compensation optique. PLOS One 11, e0150268 (2016).

Article PubMed PubMed Central Google Scholar

Si, K., Fiolka, R. & Cui, M. Imagerie de fluorescence au-delà du régime balistique par conjugaison de phase numérique guidée par ultrasons. Nat. Photonics 6, 657–661 (2012). Cette étude applique la mise en forme du front d'onde assistée par ultrasons à l'image en profondeur dans les milieux diffusants.

Article CAS PubMed PubMed Central Google Scholar

Blanc, RM et al. Poisson zèbre adulte transparent comme outil d'analyse de transplantation in vivo. Cellule souche cellulaire 2, 183–189 (2008).

Article CAS PubMed PubMed Central Google Scholar

Iijima, K., Oshima, T., Kawakami, R. & Nemoto, T. Effacement optique des cerveaux vivants avec MAGICAL pour étendre l'imagerie in vivo. iScience 24, 101888 (2021).

Article CAS PubMed Google Scholar

Boothe, T. et al. Un milieu d'appariement d'indice de réfraction accordable pour l'imagerie de cellules, de tissus et d'organismes modèles vivants. eLife 6, e27240 (2017).

Article PubMed PubMed Central Google Scholar

Wang, F. et al. Microscopie à feuille de lumière dans la fenêtre proche infrarouge II. Nat. Méthodes 16, 545–552 (2019).

Article PubMed PubMed Central Google Scholar

Shi, L., Sordillo, LA, Rodríguez-Contreras, A. & Alfano, R. Transmission dans des fenêtres optiques proches de l'infrarouge pour l'imagerie cérébrale profonde. J. Biophotonics 9, 38–43 (2016).

Article CAS PubMed Google Scholar

Lavis, LD & Raines, RT Des idées brillantes pour la biologie chimique. ACS Chem. Biol. 3, 142-155 (2008).

Article CAS PubMed PubMed Central Google Scholar

Li, B., Zhao, M. & Zhang, F. Conception rationnelle de colorants moléculaires organiques dans le proche infrarouge-II pour la bioimagerie et la biodétection. ACS Mater. Lett. 2, 905–917 (2020).

Article CAS Google Scholar

Gil, HM et al. Les points quantiques NIR en imagerie biomédicale et leur avenir. iScience 24, 102189 (2021).

Article CAS PubMed PubMed Central Google Scholar

Welsher, K. et al. Une voie vers des nanotubes de carbone très fluorescents pour l'imagerie dans le proche infrarouge chez la souris. Nat. Nanotechnologie. 4, 773–780 (2009).

Article CAS PubMed PubMed Central Google Scholar

Simmonds, RD & Booth, MJ Modélisation de l'optique adaptative multi-conjuguée pour les aberrations à variation spatiale en microscopie. J. Opt. 15, 094010 (2013).

Article Google Scholar

Kam, Z., Kner, P., Agard, D. & Sedat, JW Modélisation de l'application de l'optique adaptative à l'imagerie en direct au microscope à grand champ. J. Microsc. 226, 33-42 (2007).

Article PubMed Google Scholar

Booth, MJ Optique adaptative en microscopie. Dans le traitement optique et numérique des images 295–322 https://doi.org/10.1002/9783527635245.ch14 (2011).

Hampson, KM et al. Optique adaptative pour l'imagerie haute résolution. Nat. Rev. Méthodes Prim. 1, 68 (2021).

Article CAS Google Scholar

Liu, T.-L. et coll. Observation de la cellule dans son état natif : imagerie de la dynamique subcellulaire dans les organismes multicellulaires. Sciences 360, eaaq1392 (2018). Article séminal sur l'utilisation de l'optique adaptative en microscopie à feuille de lumière.

Article PubMed PubMed Central Google Scholar

Malivert, M. et al. Optimisation active de l'image pour la microscopie à feuille de lumière sur réseau dans des échantillons épais. Biomédical. Opter. Express 13, 6211–6228 (2022).

Article PubMed PubMed Central Google Scholar

Krishnan, AP et al. Correction des aberrations optiques par diversité de phase et apprentissage profond. bioRxiv 2020.04.05.026567 https://doi.org/10.1101/2020.04.05.026567 (2020).

Hu, Q. et al. Optique adaptative universelle pour la microscopie via un contrôle de réseau neuronal intégré. bioRxiv https://doi.org/10.48550/ARXIV.2301.02647 (2023).

Banerjee, K., Rajaeipour, P., Ataman, Ç. & Zappe, H. Optique adaptative optofluidique. Appl. Opter. 57, 6338–6344 (2018).

Article CAS PubMed Google Scholar

Klimas, A. et al. Magnify est une stratégie d'ancrage moléculaire universelle pour la microscopie d'expansion. Nat. Biotechnol. https://doi.org/10.1038/s41587-022-01546-1 (2023).

Chang, J.-B. et coll. Microscopie d'expansion itérative. Nat. Méthodes 14, 593–599 (2017).

Article CAS PubMed PubMed Central Google Scholar

Kubalová, I. et al. Perspectives et limites de la microscopie d'expansion dans la détermination de l'ultrastructure de la chromatine. Chromosome Res. 28, 355–368 (2020).

Article PubMed PubMed Central Google Scholar

Gao, L. Étendre le champ de vision de la microscopie à éclairage plan sélectif en pavage de la feuille de lumière d'excitation. Opter. Express 23, 6102–6111 (2015).

Article PubMed Google Scholar

Chen, Y. et al. Un microscope polyvalent à feuille de lumière en mosaïque pour l'imagerie des tissus nettoyés. Cell Rep. 33, 108349 (2020).

Article CAS PubMed Google Scholar

Royer, LA et al. Microscopie adaptative à feuille de lumière pour l'imagerie haute résolution à long terme dans les organismes vivants. Nat. Biotechnol. 34, 1267-1278 (2016). Cet article a introduit l'optimisation adaptative des paramètres de feuille de lumière au cours d'une session d'imagerie en cours.

Article CAS PubMed Google Scholar

Chakrova, N., Canton, AS, Danelon, C., Stallinga, S. & Rieger, B. L'éclairage adaptatif réduit le photoblanchiment en microscopie à éclairage structuré. Biomédical. Opter. Express 7, 4263–4274 (2016).

Article PubMed PubMed Central Google Scholar

Štefko, M., Ottino, B., Douglass, KM et Manley, S. Contrôle d'éclairage autonome pour la microscopie de localisation. Opter. Express 26, 30882–30900 (2018).

Article PubMed Google Scholar

Chu, KK, Lim, D. & Mertz, J. Amélioration de la sensibilité aux signaux faibles en microscopie à deux photons par éclairage adaptatif. Opter. Lett. 32, 2846–2848 (2007).

Article PubMed Google Scholar

Li, B., Wu, C., Wang, M., Charan, K. & Xu, C. Une source d'excitation adaptative pour la microscopie multiphotonique à grande vitesse. Nat. Méthodes 17, 163–166 (2020).

Article CAS PubMed Google Scholar

Pinkard, H. et al. Microscopie d'illumination multiphotonique adaptative apprise pour l'imagerie de la réponse immunitaire à grande échelle. Nat. Commun. 12, 1916 (2021).

Article PubMed PubMed Central Google Scholar

Heine, J. et al. Nanoscopie STED à éclairage adaptatif. Proc. Natl Acad. Sci. 114, 9797–9802 (2017).

Article CAS PubMed PubMed Central Google Scholar

Abouakil, F. et al. Un microscope adaptatif pour l'imagerie de surfaces biologiques. Lumière. Sci. Appl. 10, 210 (2021).

Article CAS PubMed PubMed Central Google Scholar

Dreier, J. et al. Balayage intelligent pour une nanoscopie RESOLFT rapide et à faible éclairage in vivo. Nat. Commun. 10, 556 (2019).

Article PubMed PubMed Central Google Scholar

Almada, P. et al. Automatisation de la microscopie multimodale avec NanoJ-Fluidics. Nat. Commun. 10, 1223 (2019).

Article PubMed PubMed Central Google Scholar

Alvelid, J., Damenti, M., Sgattoni, C. & Testa, I. Imagerie STED déclenchée par un événement. Nat. Méthodes 19, 1268–1275 (2022).

Article CAS PubMed PubMed Central Google Scholar

Ronneberger, O., Fischer, P. & Brox, T. U-net : réseaux convolutifs pour la segmentation d'images biomédicales. Dans Conférence internationale sur l'informatique d'imagerie médicale et l'intervention assistée par ordinateur 234–241 (Springer, 2015).

Jouppi, NP et al. Analyse des performances en centre de données d'une unité de traitement de tenseur. En 2017 ACM/IEEE 44th Annual International Symposium on Computer Architecture (ISCA) 1–12 https://doi.org/10.1145/3079856.3080246 (2017).

Mahecic, D. et al. Acquisition événementielle pour la microscopie enrichie en contenu. Nat. Méthodes 19, 1262–1267 (2022).

Article CAS PubMed Google Scholar

Edelstein, A., Amodaj, N., Hoover, K., Vale, R. & Stuurman, N. Contrôle informatique des microscopes à l'aide de µManager. Courant. Protocole Mol. Biol. 92, 14.20.1–14.20.17 (2010).

Article Google Scholar

Pinkard, H. et al. Pyro-Manager : logiciel open-source pour un contrôle de microscope personnalisé et reproductible. Nat. Méthodes 18, 226–228 (2021).

Article CAS PubMed PubMed Central Google Scholar

Tosi, S. et al. AutoScanJ : une suite de scripts ImageJ pour la microscopie intelligente. Devant. Bioinforma. 1, 627626 (2021).

Article Google Scholar

Moreno , XC , Al-Kadhimi , S. , Alvelid , J. , Boden , A. & Testa , I. ImSwitch : Généralisation du contrôle du microscope en Python . J. Logiciel Open Source. Rev.6, 3394 (2021).

Article Google Scholar

Fox, ZR et al. Activation de la microscopie réactive avec MicroMator. Nat. Commun. 13, 2199 (2022).

Article CAS PubMed PubMed Central Google Scholar

Mitra-Behura, S., Fiolka, RP et Daetwyler, S. Les conteneurs Singularity améliorent la reproductibilité et la facilité d'utilisation dans les flux de travail d'analyse d'images informatiques. Devant. Bioinforma. 1, 757291 (2022).

Article Google Scholar

Kurtzer, GM, Sochat, V. & Bauer, MW Singularité : conteneurs scientifiques pour la mobilité du calcul. PLOS One 12, e0177459 (2017).

Article PubMed PubMed Central Google Scholar

Jumper, J. et al. Prédiction très précise de la structure des protéines avec AlphaFold. Nature 596, 583–589 (2021).

Article CAS PubMed PubMed Central Google Scholar

Nakano, R. et al. WebGPT : réponse aux questions assistée par navigateur avec rétroaction humaine. bioRxiv https://doi.org/10.48550/ARXIV.2112.09332 (2021).

Williams, E. et al. Image Data Resource : une plateforme d'intégration et de publication de données bio-images. Nat. Méthodes 14, 775–781 (2017).

Article CAS PubMed PubMed Central Google Scholar

Chen, C. et al. Recherche rapide et évolutive d'images de diapositives entières via un apprentissage en profondeur auto-supervisé. Nat. Biomédical. Ing. 6, 1420-1434 (2022).

Article PubMed PubMed Central Google Scholar

Dawoud, Y., Bouazizi, A., Ernst, K., Carneiro, G. & Belagiannis, V. Savoir quoi étiqueter pour la segmentation de cellules d'image de microscopie à quelques prises de vue. bioRxiv https://doi.org/10.48550/ARXIV.2211.10244 (2022).

Pachitariu, M. & Stringer, C. Cellpose 2.0 : comment former votre propre modèle. Nat. Méthodes 19, 1634–1641 (2022).

Article CAS PubMed PubMed Central Google Scholar

Kugler, CE et al. Les cellules endothéliales cérébrovasculaires forment des structures kystiques transitoires dépendantes de Notch chez le poisson zèbre. EMBO Rep. 20, e47047 (2019).

Article PubMed PubMed Central Google Scholar

Brundyn, A. Démystification de la mémoire unifiée sur Jetson. Présentation. Conférence NVIDIA GTC Spring 2022. https://www.nvidia.com/en-us/on-demand/session/gtcspring22-se2600 (2022).

Donoho, DL Détection compressée. IEEE Trans. Inf. Théorie 52, 1289-1306 (2006).

Article Google Scholar

Candès, EJ, Romberg, JK & Tao, T. Récupération de signal stable à partir de mesures incomplètes et inexactes. Commun. Application pure. Mathématiques. 59, 1207-1223 (2006).

Article Google Scholar

Baraniuk, RG Compressive sensing [Notes de cours]. Processus de signal IEEE. Mag. 24, 118-121 (2007).

Article Google Scholar

Liu, G. et al. Inpainting d'image pour les trous irréguliers à l'aide de convolutions partielles. bioRxiv https://doi.org/10.48550/ARXIV.1804.07723 (2018).

Iizuka, S., Simo-Serra, E. & Ishikawa, H. Achèvement d'image globalement et localement cohérent. ACM Trans. Graphique. 36, 1–14 (2017).

Article Google Scholar

Tian, ​​K. et al. Conception de BERT pour les réseaux convolutifs : modélisation masquée creuse et hiérarchique. bioRxiv https://doi.org/10.48550/ARXIV.2301.03580 (2023).

Yu, J. et al. Peinture d'image de forme libre avec convolution fermée. bioRxiv https://doi.org/10.48550/ARXIV.1806.03589 (2018).

Adcock, B., Hansen, AC, Poon, C. & Roman, B. Briser la barrière de cohérence : une nouvelle théorie pour la détection compressée. Forum Mathématiques. Sigma 5, e4 (2017).

Article Google Scholar

Calisesi, G. et al. Détection compressée en microscopie à fluorescence. Programme. Biophys. Mol. Biol. 168, 66–80 (2022).

Article CAS PubMed Google Scholar

Gao, L., Liang, J., Li, C. & Wang, LV Photographie ultra-rapide compressée en un seul coup à cent milliards d'images par seconde. Nature 516, 74-77 (2014). Dans cette étude, l'imagerie ultrarapide est démontrée en tirant parti de la détection compressée.

Article CAS PubMed PubMed Central Google Scholar

Woringer, M., Darzacq, X., Zimmer, C. & Mir, M. Microscopie à fluorescence 3D plus rapide et moins phototoxique utilisant un schéma de détection compressé polyvalent. Opter. Express 25, 13668–13683 (2017).

Article PubMed PubMed Central Google Scholar

Fang, C. et al. Imagerie isotrope 3D à l'échelle des minutes d'organes entiers à une résolution subcellulaire par microscopie à feuille de lumière à détection compressée sensible au contenu. Nat. Commun. 12, 107 (2021).

Article CAS PubMed PubMed Central Google Scholar

Roman, B., Hansen, A. & Adcock, B. Sur la structure asymptotique dans la détection compressée. bioRxiv https://doi.org/10.48550/ARXIV.1406.4178 (2014).

Zhang, X., Zhai, D., Li, T., Zhou, Y. & Lin, Y. Image inpainting basée sur l'apprentissage en profondeur : une revue. Inf. Fusion 90, 74–94 (2023).

Article Google Scholar

Adcock, B. & Hansen, AC De la détection compressée à l'apprentissage en profondeur. Dans Compressive Imaging: Structure, Sampling, Learning (eds Hansen, AC & Adcock, B.) 427–430 (Cambridge University Press, 2021). https://doi.org/10.1017/9781108377447.023.

Ongie, G. et al. Techniques d'apprentissage profond pour les problèmes inverses en imagerie. bioRxiv https://doi.org/10.48550/ARXIV.2005.06001 (2020).

Gottschling, NM, Antun, V., Hansen, AC & Adcock, B. Le noyau gênant - Sur les hallucinations, pas de repas gratuits et le compromis précision-stabilité dans les problèmes inverses. bioRxiv https://doi.org/10.48550/ARXIV.2001.01258 (2020).

Adler, J. & Öktem, O. Inversion bayésienne profonde. bioRxiv https://doi.org/10.48550/ARXIV.1811.05910 (2018).

Gal, Y. & Ghahramani, Z.. Abandon en tant qu'approximation bayésienne : représentation de l'incertitude du modèle dans l'apprentissage en profondeur. Dans Actes de la 33e Conférence internationale sur l'apprentissage automatique (eds. Maria Florina Balcan & Kilian Q. Weinberger) vol. 48 1050–1059 (PMLR, 2016).

Hüllermeier, E. & Waegeman, W. Incertitude aléatoire et épistémique dans l'apprentissage automatique : une introduction aux concepts et aux méthodes. Mach. Apprendre. 110, 457-506 (2021).

Article Google Scholar

Kendall, A. & Gal, Y. De quelles incertitudes avons-nous besoin dans l'apprentissage profond bayésien pour la vision par ordinateur ? Dans Advances in Neural Information Processing Systems (eds. Guyon, I. et al.) vol. 30 (Curran Associates, Inc., 2017).

Shorten, C. & Khoshgoftaar, TM Une enquête sur l'augmentation des données d'image pour l'apprentissage en profondeur. J. Big Data 6, 60 (2019).

Article Google Scholar

Weiss, K., Khoshgoftaar, TM et Wang, D. Une enquête sur l'apprentissage par transfert. J. Big Data 3, 9 (2016).

Article Google Scholar

Yao, B. et al. Dépixelisation et restauration d'images avec méta-apprentissage en endomicroscopie à base de faisceaux de fibres. Opter. Express 30, 5038–5050 (2022).

Article PubMed Google Scholar

Khadka, R. et al. Méta-apprentissage avec gradients implicites dans un cadre à quelques prises de vue pour la segmentation d'images médicales. Calcul. Biol. Méd. 143, 105227 (2022).

Article PubMed Google Scholar

Qiao, C. et al. Microscopie super-résolution d'apprentissage en profondeur rationalisée pour une imagerie en direct soutenue des processus subcellulaires rapides. Nat. Biotechnol. https://doi.org/10.1038/s41587-022-01471-3 (2022).

Li, Y. et al. L'intégration du processus de formation d'images dans l'apprentissage en profondeur améliore les performances du réseau. Nat. Méthodes 19, 1427–1437 (2022).

Article CAS PubMed PubMed Central Google Scholar

Ravishankar, S., Ye, JC & Fessler, JA Reconstruction d'images : de la parcimonie aux méthodes adaptatives aux données et à l'apprentissage automatique. Proc. IEEE 108, 86–109 (2020).

Article Google Scholar

Wang, Y. et al. La peinture clairsemée à l'aveugle révèle des filaments cytosquelettiques avec une localisation sous-Nyquist. Optique 4, 1277-1284 (2017).

Article CAS PubMed PubMed Central Google Scholar

Zhou, Z., Kuang, W., Wang, Z. et Huang, Z.-L. Méthode de peinture d'image basée sur ResNet pour améliorer la vitesse d'imagerie de la microscopie de localisation d'une seule molécule. Opter. Express 30, 31766–31784 (2022).

Article PubMed Google Scholar

Ouyang, W., Aristov, A., Lelek, M., Hao, X. & Zimmer, C. L'apprentissage en profondeur accélère massivement la microscopie de localisation à super-résolution. Nat. Biotechnol. 36, 460–468 (2018).

Article CAS PubMed Google Scholar

Weigert, M. et al. Restauration d'image sensible au contenu : repousser les limites de la microscopie à fluorescence. Nat. Méthodes 15, 1090–1097 (2018).

Article CAS PubMed Google Scholar

Horstmeyer, R., Chen, RY, Kappes, B. & Judkewitz, B. Réseaux de neurones convolutifs qui enseignent aux microscopes comment imager. bioRxiv https://doi.org/10.48550/ARXIV.1709.07223 (2017).

Pégard, NC et al. Microscopie à champ lumineux compressif pour l'enregistrement de l'activité neuronale 3D. Optique 3, 517-524 (2016).

Article Google Scholar

Theer, P., Dragneva, D. & Knop, M. πSPIM : imagerie de feuille de lumière isotrope haute résolution à haute NA dans des boîtes de culture cellulaire. Sci. Rep. 6, 32880 (2016).

Article CAS PubMed PubMed Central Google Scholar

Cao, B., Coelho, S., Li, J., Wang, G. et Pertsinidis, A. Imagerie volumétrique interférométrique de feuille de lumière de réseau. Nat. Biotechnol. 39, 1385–1393 (2021).

Article CAS PubMed PubMed Central Google Scholar

Mcgorty, R., Xie, D. & Huang, B. Microscopie d'éclairage à plan sélectif ouvert à haut NA pour l'imagerie biologique. Opter. Express 25, 17798–17810 (2017). Cette étude introduit des concepts optiques pour la microscopie à feuille de lumière à ciel ouvert.

Article PubMed PubMed Central Google Scholar

Bouchard, MB et al. Microscopie d'excitation planaire à alignement confocal balayé (SCAPE) pour l'imagerie volumétrique à grande vitesse d'organismes en comportement. Nat. Photonique 9, 113-119 (2015). Cet article présente un mécanisme de balayage rapide pour OPM, qui augmente considérablement la vitesse d'acquisition en microscopie à feuille de lumière.

Article CAS PubMed PubMed Central Google Scholar

Hoffmann, M., Henninger, J., Richter, L. et Judkewitz, B. Imagerie à l'échelle du cerveau d'un vertébré adulte avec microscopie à plan oblique par transfert d'image. bioRxiv 2022.05.16.492103 https://doi.org/10.1101/2022.05.16.492103 (2022).

Shao, W. et al. Microscopie plan oblique mésoscopique avec une feuille de lumière diffractive pour l'imagerie de résolution cellulaire 4D à grande échelle. Optique 9, 1374-1385 (2022).

Article Google Scholar

Singh, R. et al. Microscope à plan oblique pour l'imagerie mésoscopique d'organismes en mouvement libre avec une résolution cellulaire. Opter. Express 31, 2292–2301 (2023).

Article PubMed Google Scholar

Hoffmann, M. & Judkewitz, B. Microscopie plan oblique diffractive. Optique 6, 1166-1170 (2019). Cet article présente une variante mésoscopique de l'OPM tirant parti d'un élément diffractif dans le chemin de détection.

Article Google Scholar

Chen, B. et al. Augmentation du champ de vision en microscopie à plan oblique via un pavage optique. Biomédical. Opter. Express 13, 5616–5627 (2022).

Article PubMed PubMed Central Google Scholar

Chen, B. et al. Résolution doublée en microscopie à feuille de lumière via un éclairage structuré à plan oblique. Nat. Méthodes 19, 1419–1426 (2022).

Article CAS PubMed Google Scholar

Glaser, AK et al. Un microscope à feuille de lumière hybride à toit ouvert pour une imagerie polyvalente à plusieurs échelles de tissus nettoyés. Nat. Méthodes 19, 613–619 (2022).

Article CAS PubMed PubMed Central Google Scholar

Carl Zeiss Microscopy GmbH. ZEISS Lattice Lightsheet 7 : imagerie volumétrique à long terme de cellules vivantes. https://www.zeiss.com/microscopy/en/products/light-microscopes/light-sheet-microscopes/lattice-lightsheet-7.html (2023).

Botcherby, EJ, Juskaitis, R., Booth, MJ et Wilson, T. Refocalisation optique sans aberration en microscopie à haute ouverture numérique. Opter. Lett. 32, 2007–2009 (2007). Cet article fondateur a introduit la mise au point à distance, qui est un principe optique clé utilisé dans l'OPM.

Article PubMed Google Scholar

Millett-Sikking, A. amsikking/any_immersion_remote_refocus_microscopy : v1.0.1. https://doi.org/10.5281/zenodo.7425705 (2022). Cette étude étend le concept de focalisation à distance, qui est à la base de l'OPM, à l'imagerie dans n'importe quel milieu d'indice de réfraction.

Télécharger les références

Nous remercions les National Institutes of Health (subvention n° R35GM133522) pour leur soutien. Les auteurs remercient le Dr Anna Bajur, le Dr Kevin Dean et le Dr Felix Zhou pour leurs commentaires et réactions sur le manuscrit.

Lyda Hill Department of Bioinformatics, University of Texas Southwestern Medical Center, Dallas, TX, États-Unis

Stephan Daetwyler & Reto Paul Fiolka

Département de biologie cellulaire, University of Texas Southwestern Medical Center, Dallas, TX, États-Unis

Stephan Daetwyler & Reto Paul Fiolka

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

SD et RF ont conceptualisé et rédigé le manuscrit.

Correspondance à Reto Paul Fiolka.

Les auteurs ne déclarent aucun intérêt concurrent.

Communications Biology remercie les relecteurs anonymes pour leur contribution à la relecture par les pairs de ce travail. Rédacteur en chef de la manipulation principale : Manuel Breuer.

Note de l'éditeur Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International License, qui permet l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur n'importe quel support ou format, tant que vous donnez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Daetwyler, S., Fiolka, RP Feuilles de lumière et microscopie intelligente, un avenir passionnant se dessine. Commun Biol 6, 502 (2023). https://doi.org/10.1038/s42003-023-04857-4

Télécharger la citation

Reçu : 04 février 2023

Accepté : 20 avril 2023

Publié: 09 mai 2023

DOI : https://doi.org/10.1038/s42003-023-04857-4

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.