深度学习增强受激拉曼散射成像用于活神经元共培养中细胞类型特异性代谢谱分析

《Chemical & Biomedical Imaging》：Deep Learning-Augmented Stimulated Raman Imaging for Cell-Type-Specific Metabolic Profiling in Live Neuronal Cocultures

　　

神经元代谢是脑功能与疾病的基础，但其空间与时间动态及细胞间相互作用仍不清楚。本研究将串联深度学习方法与生物正交化学成像——受激拉曼散射(Stimulated Raman Scattering, SRS)显微镜相结合，实现了活神经元共培养中的高速定量代谢谱分析。深度学习框架由一个循环卷积神经网络(Recurrent Convolutional Neural Network, RCNN)用于以最小光损伤获取高分辨率三维图像，以及一个U-Net分割模型用于细胞类型特异性代谢分析。研究人员利用氘标记代谢物，展示了在生理及病理条件（包括NMDA受体激活、蛋白酶体抑制及亨廷顿病模型）下，活神经元、星形胶质细胞和少突胶质细胞中脂质、蛋白质、葡萄糖及D2O代谢的示踪能力。研究发现不同神经元细胞类型具有独特的代谢适应特征，并强调了无创代谢谱分析对于理解神经元互作及疾病机制的重要性。该平台显著推进了活细胞动态成像技术的发展，在神经科学、疾病建模及药物筛选中具有广泛应用前景。

深度学习增强受激拉曼散射(SRS)成像用于活神经元共培养中细胞类型特异性代谢谱分析——论文解读

本文发表于《Chemical & Biomedical Imaging》(ACS Chemical & Biomedical Imaging)。

研究背景与立题依据

神经元代谢在脑功能、衰老及神经退行性疾病中发挥关键作用，但现有方法存在明显局限：磁共振成像(Magnetic Resonance Imaging, MRI)和正电子发射断层扫描(Positron Emission Tomography, PET)空间分辨率不足以分辨细胞结构；质谱类方法侵入性强且无法用于活细胞；荧光显微术需大分子荧光探针标记，会干扰内源性小分子代谢物的天然功能，且基因编码荧光探针仅能检测少数代谢物并局限于转染细胞。受激拉曼散射(Stimulated Raman Scattering, SRS)显微镜结合生物正交氘(Deuterium, D)标记可在"细胞沉默区"无干扰地检测标记代谢物掺入，但神经元共培养体系面临两大挑战：(1) 活神经元对光毒性敏感，密集三维z轴扫描会导致光损伤，限制纵向时间序列成像；(2) 混合培养中不同神经元细胞类型（神经元、星形胶质细胞、少突胶质细胞前体细胞）形态交织，难以非侵入性地识别细胞身份以进行分细胞类型代谢定量。为此，研究人员开发了集成RCNN体素重建与3D U-Net语义分割的串联深度学习SRS成像平台以解决上述问题。

主要关键技术方法

研究人员建立原代大鼠海马神经元-星形胶质细胞-少突胶质细胞前体细胞共培养体系作为样本。SRS显微镜采用picoEmerald系统（泵光770–990 nm，斯托克斯光固定1031.2 nm，调制频率20 MHz，锁相放大检测），采集内源CH₃（2940 cm^–1）通道用于形态学成像及CD键（细胞沉默区~2100–2300 cm^–1）通道用于氘标记代谢物检测。关键技术包括：(1) RCNN（生成对抗网络架构）以间隔4 μm采集的3帧稀疏z栈预测重建为0.5 μm间隔的17帧高密度三维体素堆栈，加速采集6倍并降低光损伤；(2) 3D U-Net以RCNN重建体积作为输入，以免疫荧光染色（MAP2标记神经元、GFAP标记星形胶质细胞、NG2标记少突胶质细胞前体细胞）固定细胞对应SRS图像为金标准进行训练，实现活细胞无标记分割；(3) 生物正交氘标记代谢物孵育——d-油酸(d-OA)、d-棕榈酸(d-PA)探脂质代谢；混合d-氨基酸(d-AA)探蛋白质合成；d-葡萄糖探糖代谢经三羧酸(Tricarboxylic Acid, TCA)循环掺入生物质；30% D₂O探总体生物量合成——随后分别采集CH₃与CD通道，以分割掩膜按细胞类型提取CD强度进行定量。采用两阶段训练策略（先用固定细胞SRS+免疫荧光训练，再用活细胞SRS微调）提升泛化性。

研究结果

High-Speed Live-Cell Image Acquisition Assisted by RCNN（RCNN辅助的高速活细胞图像采集）

研究人员比较不同z轴采样间隔后确定以中心平面±4 μm处采集3帧（间隔4 μm）输入RCNN，可上采样重建为17帧（间隔0.5 μm）的高保真三维堆栈。该RCNN重建效果优于传统线性插值与样条插值，尤其在中位缺失帧预测中误差更低。三维成像速度提升约6倍，使同一批次活神经元共培养可承受时间序列成像且维持高细胞存活率。

3D Cell Segmentation in Neuronal Cocultures（神经元共培养中三维细胞分割）

直接使用4 μm间隔原始SRS栈训练U-Net分割精度低；经RCNN恢复z轴分辨率后再输入U-Net，分割性能恢复至接近全密集体素训练水平。若尝试用RCNN直接预测荧光标记标签则出现断裂伪影（尤见于星形胶质细胞突起）。结果表明"RCNN体素重建+U-Net语义分割"解耦设计能更准确捕获三维细胞形态，实现对未标记活神经元共培养的全面三维细胞身份掩膜生成。

Quantification of Neuronal-Type Specific Metabolic Activity by Deep Learning-Augmented Deuterium-Labeled SRS Metabolic Imaging（深度学习增强氘标记SRS代谢成像定量各神经元类型代谢活性）

用五种氘标记代谢物分别孵育后，结合CH₃通道分割掩膜与CD通道信号，发现DIV10与DIV12时神经元相对CD掺入比均高于星形胶质细胞和少突胶质细胞前体细胞，反映发育早期神经元较高代谢需求。从DIV10到DIV12，神经元蛋白合成(d-AA)相对活性下降而星形胶质细胞相应上升。所有五种代谢物CD强度与细胞蛋白密度（CH₃强度）呈正相关，不同代谢物斜率差异反映相对更新速率——d-棕榈酸(d-PA)斜率约为d-油酸(d-OA)的2倍，提示其在膜合成或脂储存池中更活跃；D₂O与d-葡萄糖掺入较弱，CD/CH₃比值最低。

Neuronal Metabolic Activities with NMDA Receptor Activation and Excitotoxicity（NMDA受体激活及兴奋性毒性下的神经元代谢活动）

10 μM NMDA处理下，神经元d-葡萄糖摄取及D₂O掺入增加，证实兴奋性刺激上调神经元选择性代谢过程；星形胶质细胞D₂O掺入略升但d-PA代谢略降，提示可能转向从头脂质合成。进一步分析显示星形胶质细胞对d-AA、D₂O、d-葡萄糖的摄取与神经元生物密度（MAP2区域CH₃强度）呈弱负相关，而对d-OA与d-PA摄取呈正相关，表明星形胶质细胞可根据神经元密度或NMDA诱导兴奋应激调整营养利用模式以支持神经元。

Cellular and Metabolic Responses to Proteasome Inhibition in Neuronal Cocultures（蛋白酶体抑制下的细胞与代谢响应）

10 μM MG132（蛋白酶体抑制剂）处理后，d-AA探测的蛋白合成率（CD/CH₃比）显著下降但总CD强度不变，细胞体积缩小以维持新合成蛋白局部浓度。其余四种代谢物（d-OA、d-PA、D₂O、d-葡萄糖）掺入均代偿性升高，其中d-PA与d-OA升高最显著（d-PA约1.5–2倍，d-OA约2–3倍），伴随脂滴(lipid droplet)数量显著增加，符合细胞应激保护反应及油酸的神经保护作用。

Metabolic and Cellular Stress Responses in a Neuronal Neurodegeneration Model of Huntington's Disease (HD)（亨廷顿病神经元神经退行模型中的代谢与细胞应激响应）

用腺相关病毒(Adeno-Associated Virus, AAV)转导mHtt-97Q-EGFP建立聚谷氨酰胺(polyQ)聚集模型。形成polyQ聚集物的神经元d-棕榈酸(d-PA)掺入升高（可能支持膜修复），所有细胞类型尤其是少突胶质细胞前体细胞中d-油酸(d-OA)掺入升高（提示少突胶质细胞潜在保护性降解聚集肽作用），神经元D₂O与d-葡萄糖掺入亦升高，反映为拮抗聚集毒性而上调从头合成代谢活动。

讨论与结论总结

研究人员指出该平台通过无标记SRS与串联深度学习（RCNN体素重建+3D U-Net分割）的结合，在最小化光损伤与采集时间的同时保留了三维精度，实现对活混合神经元共培养中细胞类型特异性代谢活动的非破坏性、高分辨率定量成像。相比传统二维成像或全栈密集采集，稀疏采集加深学习重建提供了信息完整性与细胞活力保护间的优化平衡点。两阶段训练策略（固定细胞配对预训练+活细胞SRS微调）缓解了免疫荧光染色再定位误差影响。模型在氘标记代谢条件下预测不确定性低（<0.04），说明形态未超出训练分布。SRS相较荧光法无需大探针、相较相干反斯托克斯拉曼散射(Coherent Anti-Stokes Raman Scattering, CARS)无强非共振背景且信号与浓度线性相关，但需高频调制检测系统并需注意交叉相位调制影响。未来可通过增强形态学特征提取与扩大训练集改善细胞边界区分。结论为：该串联深度学习增强SRS生物正交成像平台实现了活神经元共培养中各细胞类型脂质、蛋白质、葡萄糖及总体生物量代谢的动态定量剖析，揭示了神经元、星形胶质细胞与少突胶质细胞前体细胞在发育、NMDA兴奋、蛋白酶体抑制及亨廷顿病模型中的差异化代谢适应，为神经科学基础研究与神经疾病药物筛选提供了有力工具。