高分辨率全息成像结合荧光显微技术用于雨生红球藻中小球藻污染细胞的精准检测与定量研究

《Water Biology and Security》：High-resolution holographic reconstruction combined with fluorescence microscopy to identify unwanted Chlorella sp. cells in Haematococcus pluvialis cultures

本研究针对微藻大规模培养中污染物种快速检测的难题，评估了HOLODETECT HiRes + FLUOR3 (HF3)系统在雨生红球藻(Haematococcus pluvialis)和小球藻(Chlorella sorokiniana)单培养及共培养体系中的检测性能。研究人员通过优化操作参数、建立深度学习模型，成功实现了对两种藻类细胞的精准计数和相对丰度定量，其中混合培养模型(M3)的计数结果与Neubauer计数室高度一致(差异<10%)。该技术为微藻工业污染监控提供了新型在线检测方案。

　　

在微藻产业化浪潮中，一场看不见的"物种战争"正在无数个培养池中悄然上演。当企业耗费巨资培养高价值的雨生红球藻（Haematococcus pluvialis）以提取珍稀的虾青素时，快速生长的小球藻（Chlorella sorokiniana）可能如"隐形入侵者"般悄然占据培养体系，导致目标产物大幅减产。这种生物污染问题已成为制约微藻产业规模化发展的核心瓶颈之一。

传统检测方法如血球计数板（Neubauer counting chamber, NCC）需要人工镜检，效率低下且主观性强；而流式细胞仪等自动计数设备在密集培养体系中常因细胞重叠而产生误差。更关键的是，现有技术难以实现污染物种的早期识别和精准定量——当肉眼可见污染时，往往为时已晚。面对微藻生产企业对快速在线监测技术的迫切需求，西班牙阿尔梅里亚大学的研究团队在《Water Biology and Security》上发表了一项创新研究，首次系统评估了高分辨率全息重建结合荧光显微镜技术在微藻污染监测中的应用潜力。

关键技术方法方面，研究团队采用HOLODETECT HiRes + FLUOR3 (HF3)系统，该设备整合了600纳米分辨率的数字全息显微镜（digital holographic microscopy, DHM）和多波长荧光显微镜（405纳米、450纳米和532纳米激发）。通过分析来自多个保种中心的雨生红球藻（1360B BEA, BMCC 673等）和海水适应型小球藻样本，建立了三种深度学习模型：M1（小球藻单培养模型）、M2（雨生红球藻单培养模型）和M3（混合培养模型），采用PyTorch框架和分阶段少样本学习策略进行训练验证。

3.1. 设备校准

研究表明细胞浓度显著影响检测准确性。对于直径仅2-5微米的小球藻，当生物量浓度超过0.06 g L^-1（约2-3×10⁶cells mL^-1）时，细胞重叠会导致HF3与NCC计数结果出现显著差异（p < 0.05），需进行样本稀释。而直径达10-60微米的雨生红球藻在生物量浓度高达1.1 g L^-1时仍能保持准确计数（相关系数0.9889）。在检测通量优化方面，研究发现每样本检测1500个物体即可将变异系数（coefficient of variation, CV）控制在5%以内，与检测6000个物体的结果无统计学差异。

3.2. 模型开发

三种模型展现出截然不同的特性。M1模型依赖叶绿素自发荧光（FLUOR_INTENSITY_RED）和形态参数（MASK_AREA和MASK_PERIMETER），虽对小球藻敏感但易将非细胞颗粒误判为目标细胞；M2模型利用雨生红球藻的显著尺寸特征（通过MASK_MINENCCIRCDIAMETER参数设置36.13 ± 30.92微米过滤器），有效排除小球藻干扰，但在区分细胞聚集体方面存在局限；M3模型整合多荧光通道和形态描述符，通过动态平衡参数权重，在保持较高处理速度（19.65 ± 1.57 ms/图像）的同时实现了最优分类精度。

3.3. 验证

在混合培养验证中，M1模型在含90%雨生红球藻的样本中总细胞数高估约100%，且将10%的小球藻污染误判为58.8%；M2模型在各类比例下与NCC差异均小于10%，但在单物种识别方面仍有偏差；M3模型表现最为优异，在全部浓度梯度下与NCC结果高度一致，对小球藻和雨生红球藻的识别准确率分别达99.9%和95.9%，且两种物种的定量结果与预期值均呈现显著正相关（p < 0.05，相关系数均>0.979）。

这项研究不仅证实了HF3系统在微藻污染监测中的可靠性，更揭示了模型构建策略对检测准确性的关键影响。相较于传统二维成像的FlowCam等设备，HF3通过三维全息重建有效提升了密集培养下的细胞分辨能力。特别值得关注的是，研究发现的"模型特异性悖论"——专一化模型（M1、M2）在复杂环境中反而不如整合模型（M3），为后续微生物监测技术开发提供了重要启示。随着微藻产业向多元化产品方向发展，这种能够实时区分多种物种的技术平台，有望成为保障微藻培养体系稳定的"智能哨兵"，为高值微藻产品的工业化生产筑牢质量防线。