📊 statistics

Perspective: An outlook on fluorescence tracking

本文回顾了单分子荧光追踪技术的发展历程，对比了不同方法的优劣，并探讨了物理启发式技术、并行化及人工智能在提升时空分辨率与数据效率方面的未来机遇与挑战。

原作者： Lance W. Q. Xu, Steve Pressé

发布于 2026-02-24

📖 1 分钟阅读☕ 轻松阅读

原作者： Lance W. Q. Xu, Steve Pressé

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇文章就像是一份**“单分子追踪技术的进化史与未来展望”**。

想象一下，你正在看一场极其繁忙的舞会。舞池里挤满了成千上万个穿着发光衣服的小人（这就是生物分子，比如蛋白质或病毒）。你的任务不是看整个舞会，而是要死死盯住其中某一个小人，画出他跳了一整晚的舞步轨迹。

这篇文章就是由 Lance W.Q. Xu 和 Steve Pressé 两位科学家写的，他们主要讨论了三个问题：我们过去是怎么做的？现在的做法有什么毛病？未来我们该怎么做得更好？

下面我用几个生活中的比喻来为你拆解这篇论文：

1. 过去的做法：笨拙的“人工记账”与“分步走”

在很久以前（20 世纪初），科学家像**佩兰（Perrin）**那样，只能拿着笔和纸，盯着显微镜，每隔 30 秒就在纸上画个点，记录小人的位置。这就像让你用肉眼去数蚂蚁搬家，不仅慢，而且稍微快一点的蚂蚁你就跟丢了。

后来，电脑出现了，我们发明了**“宽场离线追踪”（Widefield Offline SPT）。这就像是一个“两步走”的流水线工厂**：

第一步（定位）： 拍一堆照片，然后让电脑在每一张照片里找亮点，算出每个小人在哪。
第二步（连线）： 把上一张照片里的点和下一张照片里的点连起来，画成线。

这个方法的毛病是什么？
这就好比你在玩“连连看”，但是你是先找点，再连线。

如果点找错了怎么办？ 比如背景有点噪点（像舞池里的灯光闪烁），电脑可能会把噪音当成小人，或者把两个靠得很近的小人当成一个。
如果小人跑得太快怎么办？ 就像你拍视频时快门太慢，小人跑出了一条“拖影”（运动模糊），电脑就不知道他到底在哪了。
最致命的是： 这种“分步走”的方法太死板了。它假设第一步找点绝对正确，第二步再根据这个去连线。但实际上，如果第一步找错了，后面连出来的线全是错的。这就叫**“贪心算法”**——只顾眼前这一步最优，结果导致全局大错特错。

2. 现在的做法：聪明的“激光手电筒”与“实时跟拍”为了解决上面的问题，科学家搞出了“实时追踪”（Real-time SPT）。

这就好比不再拍一堆照片回去慢慢分析，而是派了一个拿着超级激光手电筒的保镖，实时盯着那个小人。

怎么做到的？ 保镖发现小人往左跑了，立刻把激光束也往左移，始终让小人保持在光束中心。
优点： 这种“主动出击”的方式（比如 MINFLUX 技术）能看得非常清楚，甚至能看清分子级别的细节（比如马达蛋白怎么走路）。
缺点： 保镖只能盯着一个人。如果舞池里有一百个小人，保镖就得累死，或者只能盯着一个，其他的全不管了。而且，如果小人跑得太快，保镖的手速跟不上，小人就会跑出光束范围（“跟丢了”）。

3. 未来的方向：全局“上帝视角”与“人工智能”

文章的核心观点是：我们要打破“先找点、再连线”的旧规矩，改用**“全局物理启发式追踪”**（Global Physics-Inspired Tracking）。

这是什么意思呢？
想象一下，你不再是拿着放大镜一个个找点，而是直接看整个舞池的录像带，用大脑（或者超级计算机）同时思考所有可能性：

“如果那个亮光是噪音，那这条轨迹通不通？”
“如果那个小人是突然消失了（因为光灭了），那它下一秒会在哪？”
“如果两个小人撞在一起了，它们是怎么分开的？”

这个新方法的核心优势：

不再分步： 它把“找点”、“数人数”、“连线”全部放在一起算。它像一个全知全能的导演，同时考虑所有因素，找出最可能的那条轨迹。
更省光： 以前需要很多光子（很亮的光）才能看清，现在因为算法聪明，哪怕光线很暗（光子很少），也能猜出小人在哪。
适应性强： 即使背景很乱、小人跑得飞快、或者小人忽隐忽现，它也能通过物理规律（比如惯性、扩散规律）来“脑补”出正确的轨迹。

4. 最大的挑战：算得太慢怎么办？

虽然这个“上帝视角”的方法很完美，但它有一个巨大的缺点：太费脑子（计算量太大）。
这就好比你要在一秒钟内，把舞池里所有可能的走法都算一遍，普通电脑会直接死机。

未来的解决方案：

超级硬件： 使用像 GPU（显卡）或专门的 AI 芯片，像几百个保镖同时工作，把计算速度提上去。
人工智能（AI）： 训练一个 AI 模型，让它学会物理规律。以前是 AI 瞎猜，现在是**“物理 + AI"**。AI 负责快速计算，物理规律负责保证它不胡编乱造。
混合精度计算： 就像做菜，重要的调料（关键数据）用高精度的秤称，不重要的（中间过程）大概估算一下，这样既快又准。

总结

这篇论文其实是在说：
我们以前追踪分子，像是在雾里看花，只能一个个点着连，容易出错。
现在，我们有了实时跟拍，但只能盯一个人。
未来，我们要用**“物理 + AI"**的超级大脑，同时盯着所有人，在混乱和模糊中，通过数学和物理规律，还原出最真实的舞蹈轨迹。

这将帮助科学家看清病毒怎么入侵细胞、药物怎么在体内运输，甚至看清生命最微观的舞蹈。虽然现在的电脑算得有点慢，但随着芯片和 AI 的发展，这个“上帝视角”的时代马上就要来了。

这是一篇关于**单分子荧光追踪（Single-Particle Tracking, SPT）**技术发展的视角性论文（Perspective）。文章由 Lance W.Q. Xu 和 Steve Pressé 撰写，旨在回顾 SPT 的演变，分析现有方法的局限性，并倡导一种基于物理原理的全局追踪框架，结合新兴的计算与人工智能技术以突破当前的时空分辨率瓶颈。

以下是该论文的详细技术总结：

1. 研究背景与核心问题 (Problem)

单分子荧光追踪是解析生物分子动态过程（如蛋白质相互作用、mRNA 运输、细胞内扩散等）的关键工具。然而，现有的追踪方法面临以下核心挑战：

模块化方法的局限性：传统的离线 SPT（Widefield offline SPT）通常采用“两步走”策略：先进行定位（Localization）（在每一帧中确定粒子位置），再进行链接（Linking）（跨帧连接轨迹）。这种贪婪算法（Greedy Algorithm）将全局优化问题分解为局部步骤，导致在粒子密集、信噪比低或存在光物理现象（如闪烁、漂白）时，无法找到全局最优解，甚至产生错误轨迹。
时空分辨率的权衡：
- 时间分辨率：为了获得足够的信噪比，需要较长的曝光时间或光子积累，这会导致运动模糊（Motion Blur），限制了追踪快速扩散粒子（如病毒、胞质蛋白）的能力。
- 空间分辨率：在三维追踪中，增加轴向范围往往牺牲轴向分辨率或时间分辨率。
- 多粒子追踪：在拥挤环境中，点扩散函数（PSF）重叠使得传统的基于强度的定位和阈值设定变得极其困难且主观。
计算与数据效率：现有的最大似然估计方法往往过拟合，且难以处理单光子探测器（SPDs）产生的二进制数据，无法充分利用所有时空相关性信息。

2. 方法论演变与现有方案 (Methodology Review)

文章回顾了 SPT 的技术发展路线：

早期与手动追踪：从 Perrin 验证布朗运动的手动标记，到 20 世纪 80 年代基于差分干涉对比（DIC）的自动化追踪（如 Geerts 等人的工作），确立了“定位 - 链接”的基本框架。
宽场离线追踪 (Widefield Offline SPT)：
- 主流方法：利用高灵敏度相机（EMCCD/sCMOS）采集图像堆栈，事后处理。
- 技术：包括质心法、PSF 拟合（最小二乘/最大似然）、深度学习定位等。链接算法包括最近邻、线性分配问题（LAP）、多假设追踪（MHT）等。
- 缺陷：依赖人工设定的阈值（如强度阈值）来区分粒子与背景，难以处理 3D 离焦和粒子消失/出现的情况。
实时荧光追踪 (Real-time Fluorescence SPT)：
- 原理：在数据采集过程中实时追踪，通常限制观测体积（如共聚焦显微镜），通过反馈机制动态移动光斑以锁定单个粒子。
- 代表技术：MINFLUX（结合环形 PSF 和星座扫描，实现纳米级分辨率）。
- 优势：避免了运动模糊，适合追踪快速扩散粒子。
- 局限：通常一次只能追踪一个粒子，且存在观测体积逃逸问题。

3. 核心贡献与提出的新框架 (Key Contributions)

作者提出了一种基于物理原理的全局 SPT 框架（Global, Physics-inspired SPT），旨在从根本上解决上述问题。

A. 全局贝叶斯推断框架

数学重构：不再将追踪分解为独立的定位和链接步骤，而是将其定义为寻找给定图像帧下所有可能轨迹的联合概率分布 $P(\text{tracks}|\text{frames})$ 。
公式表达：
$P(\text{links}, \text{count}, \text{locations}|\text{frames}) = P(\text{links}|\dots) P(\text{count}|\dots) P(\text{locations}|\text{frames})$
该方法同时优化粒子数量（Count）、位置（Locations）和链接（Links），避免了贪婪算法的次优解问题。
非参数化优势：通过引入先验分布（Priors），该方法能够自动推断粒子数量，无需手动设定阈值，特别适用于粒子进出焦平面或发生光物理变化的场景。

B. 适应新型探测器与数据

单光子探测器（SPDs）的兼容性：传统方法依赖积分强度，而 SPDs 输出二进制信号（有无光子）。全局框架可以直接处理二进制数据，无需先进行“帧求和”从而牺牲时间分辨率。
数据效率：利用所有帧和视场（FOV）的时空相关性，显著降低了实现高精度追踪所需的光子数（比传统荧光相关光谱法 FCS 减少三个数量级）。

C. 计算挑战的应对策略

针对全局贝叶斯推断计算量巨大的问题，文章提出了以下解决方案：

并行化计算：利用并行 MCMC、哈密顿蒙特卡洛（HMC）等算法加速高维后验分布的采样。
硬件加速：利用 GPU、张量处理单元（TPU）和存内计算硬件提升吞吐量。
AI 辅助物理建模：
- 使用**归一化流（Normalizing Flows）**等神经网络近似似然函数或后验分布。
- 利用基于模拟的推断（Simulation-based Inference），用物理模型生成合成数据训练神经网络，作为代理似然函数，从而绕过复杂的显式计算。

4. 结果与验证 (Results)

合成数据验证：文章展示了名为 BNP-Track 的基于物理的追踪框架在合成数据集上的表现。
- 对比对象：与传统离线工具 TrackMate 进行对比。
- 场景：高背景噪声、PSF 严重重叠（拥挤环境）。
- 结果：TrackMate 错误地估计了粒子数量并产生了错误的链接轨迹；而 BNP-Track 的最大后验估计（MAP）准确恢复了粒子的身份和轨迹，即使在极低的信噪比下也能保持高精度。
理论优势：证明了全局方法在处理离焦粒子、光漂白和快速扩散粒子时，具有更高的鲁棒性和数据效率。

5. 意义与展望 (Significance & Outlook)

突破时空分辨率限制：该框架有望实现以前无法达到的时空分辨率，能够研究快速受体 - 配体相互作用、纳米药物递送等动态过程。
多模态融合：结合单光子数据，未来可整合荧光寿命（FLIM）和 FRET 信息，实现多物种的同时追踪和区分。
物理与 AI 的融合：文章强调，将物理模型的严谨性与 AI 的灵活性相结合，是解决复杂生物系统追踪问题的未来方向。这不仅能减少 AI 对过参数化模型和海量数据的依赖，也能降低物理模型的计算成本。
实际应用前景：随着并行计算和 AI 技术的进步，基于物理的全局 SPT 正从理论走向实用，有望在桌面级系统上实现高通量、高保真的分子动力学实时监测。

总结

这篇论文不仅是对单分子荧光追踪历史的回顾，更是一次方法论的革新宣言。它指出传统“定位 - 链接”模块化方法的根本缺陷，并提出了全局贝叶斯推断作为更优的解决方案。通过结合先进的计算硬件、并行算法和人工智能辅助建模，作者认为我们可以克服当前的计算瓶颈，实现更高精度、更高效率且无需人工干预的单分子追踪，从而深入理解生命过程的动态本质。