在生命科学研究中，细胞及其相互作用构成了复杂生命活动的基础。从免疫细胞的迁移与协同，到神经网络中信息的编码与传递，这些过程往往发生在完整的生理环境中，并跨越长时间尺度持续演化。相较于体外实验条件，活体环境中细胞行为更加真实且具有高度动态性。因此，在活体条件下实现高分辨率、长时程、稳定可靠的三维成像，对于理解生命过程的本质具有重要意义1–3。
然而，这一目标却长期受到光学像差问题的严重制约。在活体组织或复杂生物环境中，由于折射率分布不均一，荧光信号在传播过程中会发生波前畸变，从而导致成像模糊、结构扭曲甚至信息丢失4。像差不仅降低图像质量，还会对后续定量分析造成系统性误差，例如细胞轨迹提取、神经信号分析以及群体行为建模等。因此，如何在复杂活体环境中实现高精度像差校正，成为推动显微成像技术发展的关键科学问题。
为解决这一问题，自适应光学（adaptive optics, AO）方法被广泛引入生物成像领域。传统硬件AO通过变形镜等光学元件直接调制波前，但其系统复杂、成本较高，且调节速度有限5；计算AO方法则尝试通过图像数据反推像差并进行数字校正，虽具有更高灵活性，但在实际应用中，这类方法在面对大像差或复杂样本时往往精度不足6。此外，现有方法普遍缺乏对多角度信息的充分利用，使得波前估计存在信息不完备的问题。
近年来，光场显微技术的发展为这一问题提供了新的解决思路。光场显微能够同时采集空间和角度信息，为像差估计提供了潜在的丰富维度。然而，如何从高维空间-角度数据中有效提取波动光学信息，并将其用于高精度像差恢复，仍然是一个尚未解决的难题1。
针对上述挑战，合作研究团队提出了一种潜空间增强的数字自适应光学方法（latent-space-enhanced digital adaptive optics, LEAO），发表在了Nature Biotechnology上（影响因子41.7）。LEAO提出了一种融合物理建模与深度学习的新范式，通过在潜空间中像差波前与样本结构的语义表征异质性，实现了二者的精准提取与解耦，使研究人员能够在更接近真实生理状态的条件下观测生命过程。该方法在神经科学、免疫学等多个领域展现出了广阔应用前景，有望推动显微成像进入高保真观测的新阶段。
在算法实现上，LEAO保留了光场数据的连续波动属性，将其视为编码了完整波前信息的高维观测。LEAO首先通过一个自编码器网络，将原始空间-角度测量映射至高维潜空间。与直接回归不同，该潜空间被设计为具有明确的物理语义：其中一部分维度主要编码样本结构信息，而另一部分则编码像差波前。为了实现潜空间解耦和特征对比学习，模型引入了基于三元组的训练策略7。一个三元组中，有两个数据拥有相同结构、不同像差，同时有两个数据拥有相同像差、不同结构。对于具有相同像差/结构的样本，其编码像差/结构的特征向量在潜空间中被拉近，而对于具有不同像差/结构的样本，其编码像差/结构的特征向量在潜空间中被拉开。这一策略使得物理信息表示在潜空间中形成稳定的流形结构，从而降低了样本结构变化对像差估计的干扰。在潜空间表示获得后，一个专门设计的估计器网络从中提取像差相关特征，并输出连续的波前相位分布。该波前随后被用于生成符合波动光学传播模型的点扩散函数。与传统方法中反复计算PSF不同，LEAO通过一次前向推理即可获得稳定的波前估计，显著提高了计算效率。
图1：LEAO原理
LEAO表现出显著优于现有方法的性能。在大像差条件下（1至5波长范围），LEAO的像差估计精度相比现有方法显著提升，并在复杂条件下保持稳定表现。同时，在极低信噪比条件下（低至3.4 dB），LEAO仍能维持高精度估计，而传统方法已显著退化。这表明LEAO在光子受限条件下具有更强的鲁棒性。此外，LEAO对角度采样数、空间采样率以及不同成像系统均表现出良好的适应性，在多种光场显微参数配置下均能够稳定工作。
小鼠大脑皮层的多区域同时成像会带来空间非一致的复杂像差，传统方法难以校正。通过“分而治之”的思想，LEAO精准识别不同区域的空间变化像差，帮助研究人员成功恢复了神经元的真实形态与分布，使可识别神经元数量显著增加，并获得了更加可靠的功能信号。这为介观神经网络功能研究提供了新的技术支撑。
图2：LEAO矫正空间非一致像差提高神经元钙信号对比度
在更加具有挑战性的透明颅骨脑成像实验中，LEAO实现了对接受创伤性脑损伤造模的小鼠脑中性粒细胞行为的长时程监测。为了更好地研究脑损伤后的免疫微环境，曲面颅骨结构被保持完整，但这给成像过程带来了更大的光学像差。利用LEAO，研究人员首次记录到了数千个中性粒细胞的激活、血管外渗以及迁移的全过程。这些动态过程此前由于像差严重而难以直接观测。LEAO不仅恢复了图像结构，还使得细胞密度与动力学参数得以准确量化。
图3：TBI鼠与对照鼠的中性粒细胞活动对比
清华大学自动化系戴琼海院士、吴嘉敏副教授，心理与认知科学系卢志助理教授为本文的共同通讯作者，自动化系博士生曾昀敏为本文第一作者，张琦、肖一翃、吴世东、金成勋、张云皓、王鸣瑞、张元龙和李欣阳参与并做出重要贡献。该工作得到了国家自然科学基金、北京市自然科学基金、国家博士后创新人才支持计划、中国博士后科学基金、清华水木学者项目、清华大学-北京大学生命科学联合中心的大力支持。
论文链接：
https://www.nature.com/articles/s41587-026-03107-2
参考文献：
1. Wu, J. et al. Iterative tomography with digital adaptive optics permits hour-long intravital observation of 3D subcellular dynamics at millisecond scale. Cell 184, 3318-3332.e17 (2021).
2. Lu, Z. et al. Long-term intravital subcellular imaging with confocal scanning light-field microscopy. Nat Biotechnol 43, 569–580 (2025).
3. Zhang, Y. et al. Long-term mesoscale imaging of 3D intercellular dynamics across a mammalian organ. Cell 187, 6104-6122.e25 (2024).
4. Ji, N. Adaptive optical fluorescence microscopy. Nat Methods 14, 374–380 (2017).
5. Hampson, K. M. et al. Adaptive optics for high-resolution imaging. Nat Rev Methods Primers 1, 1–26 (2021).
6. Kang, I., Zhang, Q., Yu, S. X. & Ji, N. Coordinate-based neural representations for computational adaptive optics in widefield microscopy. Nat Mach Intell 6, 714–725 (2024).
7. Schroff, F., Kalenichenko, D. & Philbin, J. FaceNet: A unified embedding for face recognition and clustering. in 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) 815–823 (2015). doi:10.1109/CVPR.2015.7298682.
教师简介
卢志
心理与认知科学系助理教授、博士生导师
研究方向：介观活体显微成像与人工智能
