我院谭山教授课题组在Nature Communications上发表最新研究成果

第一作者：刘涛，刘嘉浩

通讯作者：谭山

通讯单位：华中科技大学

近日，Nature Communications（《自然·通讯》）在线发表了我院谭山教授课题组在超分辨光学显微成像领域的最新研究成果。论文题目是“Bayesian deep-learning structured illumination microscopy enables reliable super-resolution imaging with uncertainty quantification” （贝叶斯深度学习结构光照明显微镜实现可信超分辨成像与不确定性量化）。我院博士生刘涛与刘嘉浩为论文共同第一作者，谭山教授和清华大学李栋教授为共同通讯作者。论文链接：https://www.nature.com/articles/s41467-025-60093-w。

研究背景

光学超分辨率成像技术是揭示生物过程亚衍射极限信息的重要工具，其中结构光照明显微镜（SIM）因其高速、低光毒性和高光子效率等特点，成为活细胞成像的首选方法。近年来，深度学习技术显著提升了SIM的成像质量，但其“黑箱”特性导致重建结果的透明性和可靠性难以评估，不可信成像伪影可能会引发错误的生物学解释。如何在SIM超分辨率成像中兼顾可靠性，成为当前领域亟待解决的关键问题。

工作介绍

谭山教授团队开发的贝叶斯深度学习框架（BayesDL-SIM）通过结合神经网络与贝叶斯学习，首次实现了SIM超分辨率成像中的不确定性量化。该框架创新性地将潜在超分辨图像建模为高维异方差概率分布，量化了由逆问题病态性引起的“偶然不确定性”；借助随机梯度郎之万动力学算法对模型进行近似后验推断，量化了由神经网络泛化知识匮乏引起的“认知不确定性”。通过解耦训练策略，BayesDL-SIM在实现高精度重建的同时，不仅能为用户提供像素级别的可信度评估，还能自动辨识因样本类型不匹配、采样率差异等导致的错误泛化。

（图1 BayesDL-SIM进行精确的分布信息型超分辨成像）

研究意义

该工作为基于深度学习的超分辨显微成像技术的可靠应用奠定了基础，推动了智能显微镜算法后端的发展，为复杂生物过程的长期高保真观测提供了新工具。