vFLIM: Machine Learning-enabled Light Sheet Fluorescence Lifetime Imaging

在生物成像领域，科学家长期以来一直依赖发光分子的亮度来了解活细胞内部正在发生的变化。这种强度能告诉他们某种物质的存在量，但却遗失了更深层次的信息。正如音符的音高会根据周围的气压或温度而改变一样，荧光分子在受到光照后，其停止发光的速率也会发生变化。这种被称为“荧光寿命”的速率，是分子所处即时环境的一个敏感报告器。它可以揭示环境的细微变化、组织内的物理张力或细胞的代谢状态。由于这些条件是动态且脆弱的，最有价值的见解来自于在活体生物中实时观察它们的变化过程，而非在实验室研究冻结的样本。

然而，在活体系统中捕捉这种稍纵即逝的信息一直是一个巨大的挑战。测量这些寿命的传统方法通常太慢，无法跟上生命的快速运动；或者需要过强的光照，从而损伤或杀死它们试图观察的脆弱标本。此外，这些测量产生的海量数据造成了瓶率，使得处理图像的速度难以达到足以支持长期研究的水平。其结果是，这项技术在潜力与在真实世界中的实际应用之间存在着一道鸿沟。

一支研究团队通过引入一套结合了专用显微镜与全新数据处理方式的完整工作流，填补了这一空白。他们开发了一种名为 vFLIM 的系统，即体积荧光寿命成像（volumetric fluorescence lifetime imaging）。这种方法使用光片显微镜，该设备一次只照亮标本的一个薄层，从而能够对整个体积进行快速且温和的成像，避免了传统扫描方法的剧烈影响。为了处理该显微镜产生的海量信息，团队将硬件与机器学习模型相结合——这是一种经过训练、能够从原始图像中识别模式并直接提取寿命数据的计算机程序。这种结合使得系统能够以以往在活体系统中无法实现的速率和温柔程度，生成详细的三维分子寿命图谱。

研究人员在广泛的生物场景中测试了这一流程，以证明其通用性。他们将该方法应用于不同类型的活体模型，改变了被追踪的特定分子以及观察的尺度——从微小的细胞结构到较大的组织体积。在每种情况下，该系统都成功交付了清晰、高速的体积数据，证明了该工作流足以应对多样化的实验需求。通过在这些不同条件下验证该方法，团队表明该流程不仅是一个理论概念，更是一个可以投入广泛使用的实用工具。

这项工作代表了使实时三维寿命成像向更广泛的生物学家群体普及的重要一步。通过解决速度和数据复杂性这两个难题，新的流程消除了阻碍许多研究人员使用这一强大技术的障碍。其结果是一个可迁移的系统，使科学家能够在不干扰观察过程本身的前提下，长时间观察活体生物中微妙且不断变化的环境，从而为探索生命在分子水平上如何运作开启了大门。