بأخذ عينات بنسبة 25% فقط، يمكن زيادة معدل الإطارات حتى أربع مرات، والثورة في التصوير الفلوري النانوي للخلايا الحية عبر التعلم العميق

من المعروف أن الخلايا هي الوحدات الأساسية لبناء الكائنات الحية ووظائفها. تلعب العضيات الدقيقة، الهيكل الخلوي، والمركبات البروتينية، وغيرها من التراكيب ذات المقياس النانوي، أدواراً محددة بداخلها، مما يحرك الأنشطة الحيوية المعقدة والمتنوعة. ومع ذلك، حتى يومنا هذا، لا يزال المجتمع العلمي يفتقر إلى معرفة كافية حول كيفية تفاعل هذه التراكيب الدقيقة على المقياس النانوي بشكل ديناميكي. والسبب في ذلك هو أن المجهر الضوئي التقليدي مقيد بحدود الحيود التي حددها آبي، مما يجعل البنى النانوية الدقيقة داخل الخلايا وتغيراتها الديناميكية وكأنها محاطة بضباب «غير واضح»، مما يعيق بشكل كبير تقدم أبحاث البنى الفرعية الخلوية.

لقد كسر ظهور تقنية المجهر الفلوري النانوي (Fluorescence nanoscopy) هذا الحاجز. وباعتبارها فئة من تقنيات المجهر الفلوري بعيدة المدى التي تتجاوز حد الحيود الضوئي، فإنها تتحكم في حالة إشعاع الجزيئات الفلورية من خلال وسائل فيزيائية، مما يدفع بدقة المراقبة إلى المقياس النانوي بفعالية. وقد مكّن ذلك الباحثين من مراقبة التشكيلات الدقيقة والتحولات الديناميكية للبنى المجهرية داخل الخلايا بشكل مباشر، لتصبح أداة مهمة لاستكشاف القواعد الفسيولوجية الخلوية، وتوضيح آليات الأمراض، وفك شفرة أسرار الأنشطة الحيوية.

من بين مسارات تقنيات المجهر الفلوري النانوي المختلفة، يُعد المجهر النانوي القائم على التحول الفلوري الضوئي العكسي المشبع (RESOLFT) حلاً ممثلاً بشكل كبير. فهو يعتمد على البروتينات الفلورية القابلة للتبديل الضوئي العكسي (rsFPs)، مستغلاً الحقول الضوئية المهيكلية مكانياً للتحكم في التبديل العكسي للبروتينات الفلورية بين الحالة المضيئة (ON) والحالة المظلمة، لخلق تباعد في انبعاث الجزيئات. وبفضل هذه المسح الذكي القائم على «الإضاءة الانتقائية»، يمكن في النهاية إعادة بناء صور خلوية عالية الدقة تتجاوز حد الحيود.

ومع ذلك، لا يزال المجهر النانوي RESOLFT بعيداً عن الكمال، وهناك عقبتان رئيسيتان تعيقان تطبيقه الواسع: أولاً، تعاني بروتينات rsFPs من إجهاد التبديل الضوئي؛ حيث يمكن أن يؤدي التبديل المتكرر للحالات إلى فقدانها التدريجي لقابلية التبديل العكسي، مما يحد مباشرة من المدة الإجمالية لتصوير التسلسل الزمني للخلايا الحية لفترات طويلة؛ ثانياً، يتأثر وقت التصوير في RESOLFT بتبديل الجزيئات الفلورية، وقت الإثارة، وعدد نقاط العينة في المسح المكاني. فكلما زادت نقاط العينة، طال وقت التصوير، كما أن انخفاض الدقة الزمنية قد يؤدي بسهولة إلى ظهور آثار حركية (artifacts).

لمعالجة هذه التحديات، قام فريق بحثي متعدد المؤسسات من المعهد الملكي للتكنولوجيا في ستوكهولم بالسويد، وجامعة التقنية في دريسدن بألمانيا، ومؤسسة مدينة التكنولوجيا البشرية في ميلانو بإيطاليا، بدمج التعلم العميق مع تصوير RESOLFT، وطوروا استراتيجيتين متكاملتين للتصوير الحاسوبي: شبكة إزالة الضوضاء الهرمية (Hierarchical DivNoising - HDN)، وإطار إعادة بناء العينة المتفرعة السريع (Fast-MoNaLISA)، لاستعادة الصور ذات نسبة الإشارة إلى الضوضاء (SNR) المنخفضة أو الصور غير المكتملة العينة، مما وسع بشكل كبير الحدود التجريبية لتصوير RESOLFT. باستخدام شبكة HDN، يمكن تقليل جرعة الضوء لكل إطار بمقدار 10 مرات، وتمديد المدة الإجمالية للتصوير التسلسلي الزمني حتى 5 مرات؛ وباستخدام إطار Fast-MoNaLISA، يمكن تحقيق زيادة تصل إلى 4 مرات في معدل الإطارات عند شروط عينة بنسبة 25%.

نُشرت النتائج ذات الصلة تحت عنوان «Time-lapse RESOLFT nanoscopy empowered by deep learning» في مجلة Nature Communications.

أبرز نقاط البحث:

• استعادة صور RESOLFT ذات نسبة الإشارة إلى الضوضاء المنخفضة باستخدام شبكة إزالة الضوضاء الهرمية HDN/HDNsup، تحت شروط تقليل جرعة الضوء بمقدار 10 مرات، مما يمكّن من التصوير النانوي التسلسلي الزمني طويل الأمد للخلايا الحية لمدة تصل إلى 5 أضعاف.

• تطوير نموذج Fast-MoNaLISA للاستعلية الزمنية، الذي يقوم بإعادة بناء فائقة الدقة للصور غير المكتملة العينة، مما يحقق تسريعاً للتصوير بمقدار 4 أضعاف في أقصى حد ويخفف من آثار المسح.

• بناء مجموعات بيانات متعددة الأنواع لإكمال التحقق الشامل للنماذج، مما يحقق مراقبة نانوية للخلايا الحية للعمليات الديناميكية الفرعية الخلوية مثل حويصلات الميتوكوندريا وشبكات الأكتين.

عنوان الورقة البحثية:

https://www.nature.com/articles/s41467-026-78580-z

تصميم مجموعات بيانات متعددة المصادر، تتناسب مع التدريب والتقييم المستقل

اعتمدت هذه الدراسة على عدة مجموعات بيانات RESOLFT ذات أغراض مختلفة، بما في ذلك مجموعات البيانات المقترنة (Paired datasets)، ومجموعات البيانات غير المقترنة (Unpaired datasets)، ومجموعات البيانات المستقلة (Independent datasets). وتحديداً:

مجموعات البيانات المقترنة

للحصول على مجموعة بيانات مقترنة من الصور النظيفة والضوضائية، عالج الباحثون الخلايا بالتثبيت لتجنب الإزاحة الهيكلية بين أزواج الصور. يحد التثبيت من عدد دورات rsFPs، مما يعني أن معدل تبييض الضوء أسرع مما هو عليه في الخلايا الحية، ومع ذلك يمكن الحصول على صور RESOLFT عالية الجودة.

بالنسبة لمجموعة بيانات الفيمينتين المثبتة (Fixed vimentin dataset) U2OS Vim-rsEGFP2، جمع الباحثون أولاً صوراً ضوضائية عند تبديل ON بنسبة 10%-20% تقريباً (حوالي 30 واط/سم²)؛ ثم جمعوا 5 صور عند تبديل ON بنسبة 80%-90% تقريباً (حوالي 300 واط/سم²). تتلاشى إشارة السلسلة الزمنية الزائفة هذه بسرعة، واستغل الباحثون عملية تلاشي الإشارة لتقييم HDN و HDNsup ونتائج التنبؤ بالاستعلية عند مستويات مختلفة من نسبة الإشارة إلى الضوضاء، وأخذوا متوسط أول 3 صور من السلسلة الزمنية الزائفة للحصول على القيمة المرجعية الحقيقية الأمثل.

بالنسبة لمجموعة بيانات شبكة الأكتين المثبتة (Fixed actin meshwork dataset) U2OS LifeAct-rsEGFP2، كانت العملية مماثلة. ومع ذلك، جُمعت الصورة الأولى عند تبديل ON بنسبة 50% تقريباً؛ ثم جُمعت 5 صور عند تبديل ON بنسبة 90% تقريباً، وتمت معالجتها بمتوسط لتوليد صورة مرجعية حقيقية عالية الجودة، استخدمت لتدريب نموذج HDNsup.

مجموعات البيانات غير المقترنة

تُستخدم مجموعات البيانات غير المقترنة بشكل أساسي في تدريب إزالة الضوضاء غير الخاضعة للإشراف (unsupervised denoising) والتدريب على زيادة الدقة (upsampling).

بالنسبة لمعالجة إزالة الضوضاء غير الخاضعة للإشراف باستخدام HDN لميتوكوندريا وجسيمات HIV Gag-IM، اعتمد الباحثون سلاسل زمنية ذات زمن تبديل ON منخفض، وقاموا بتدريب HDN مباشرةً على سلاسل زمنية ذات نسبة إشارة إلى ضوضاء (SNR) منخفضة. وبما أن كل سلسلة زمنية تحتوي على عدد كبير من الإطارات الزمنية، فإن عددًا قليلاً من الخلايا يوفر ما يكفي من الصور المشوبة بالضوضاء.

أما بالنسبة لمجموعة بيانات التدريب على زيادة الدقة، فقد جمع الباحثون سلاسل زمنية قياسية بتقنية RESOLFT (تتكون من 10-40 إطارًا)، حيث تم ضبط المدة الزمنية وفقًا لكل خلية وهيكل، لضمان نسبة إشارة إلى ضوضاء كافية عبر السلسلة الزمنية بأكملها.

مجموعات بيانات الاختبار المستقلة

بالنسبة لجسيمات HIV Gag-IM، جمع الباحثون إضافيًا مجموعتين للاختبار، هما: مجموعة تقييم إزالة الضوضاء (تتضمن صورًا تم التقاطها تحت ثلاث ظروف: تبديل ON منخفض، وتبديل ON عالٍ، ومجاهر Confocal معززة) ومجموعة تقييم زيادة الدقة (تتضمن فقط صورًا تم التقاطها تحت ظرفين: تبديل ON عالٍ، ومجاهر Confocal معززة). ومن الجدير بالذكر أن جميع هذه المجموعات تم جمعها من خلايا حية، وبالتالي فهي تتأثر بحركة الخلية.

يتم تقسيم كل مجموعة بيانات بشكل عشوائي إلى مجموعات تدريب وتحقق واختبار. تتراوح أحجام الصور بين 64 × 64، و96 × 96، و128 × 128، حيث يتم استبعاد الكتل ذات المعلومات غير الكافية. تظهر تفاصيل مجموعات البيانات المحددة في الصورة أدناه:

تفكيك المشكلات الجوهرية والتركيز على إزالة الضوضاء من الصور واستعادة العينات المتفرقة

تركز هذه الدراسة على تقنية RESOLFT، حيث تعتمد الطريقة الأساسية على تنفيذ MoNaLISA، وهي حاليًا تقنية متطورة للتصوير بتقنية RESOLFT المتوازية. يدمج MoNaLISA أنماط متعددة البؤر لتبديل ON والقراءة (read-out)، مع أنماط خطية دورية متراكبة لتبديل OFF، مما يتيح تصوير الخلايا الحية بدقة مكانية تتراوح بين 45-60 نانومترًا بمعدل إطارات يبلغ حوالي 0.5 هرتز داخل مجال رؤية (FOV) بحجم يقارب 40 × 40 µm².

بناءً على ذلك، اقترح الباحثون بشكل أكبر استخدام التعلم العميق لاستعادة الصور ذات نسبة الإشارة إلى الضوضاء المنخفضة أو الصور ذات العينات غير المكتملة، وذلك لتجاوز قيود طرق RESOLFT التقليدية. المنطق بسيط، وهو استخدام تقنيات إزالة الضوضاء لتقليل جرعة الضوء المطلوبة للتصوير، وتخفيف ظاهرة ابيضاض الضوء (photobleaching)؛ وبناء إطار حسابي لاستعادة البيانات المجمعة بعينات متفرقة، لتحسين الدقة الزمنية من خلال زيادة الدقة حسابيًا.

بشكل أكثر تحديدًا، تحدد شدة ضوء تبديل ON عدد جزيئات rsFP التي يتم تفعيلها، وبالتالي تتحكم في قوة الإشارة المجمعة. عادةً ما تفعّل الحلول التقليدية 80%-90% من جزيئات rsFP لتعظيم نسبة الإشارة إلى الضوضاء؛ بينما تقترح هذه الدراسة استراتيجية معاكسة، حيث يتم تفعيل 10%-20% فقط من جزيئات rsFP، للحصول على صور ذات نسبة إشارة إلى ضوضاء منخفضة، ثم إعادة بناء صور عالية الجودة عبر إزالة الضوضاء باستخدام التعلم العميق. هذا لا يقلل فقط من ابيضاض الضوء إلى الحد الأدنى، بل يخفف أيضًا من السمية الضوئية الناتجة عن استخدام أطوال موجية قصيرة (عادةً 405 نانومتر) لتبديل ON.

بناءً على هذا، اقترح الباحثون استخدام خوارزمية إزالة الضوضاء غير الخاضعة للإشراف HDN. تعتمد هذه الطريقة على بنية شبكة المشفرات ذاتية الترميز المتغيرة التدريجية (LVAE)، مع إدخال نموذج ضوضاء مقاس تجريبياً. بالإضافة إلى ذلك، توفر الدراسة نسخة خاضعة للإشراف من HDN تسمى HDNsup، والمبنية على نفس الإطار ولكن بتدريب خاضع للإشراف. يهدف فريق البحث من تقديم نسختين (غير خاضعة للإشراف وخاضعة للإشراف) إلى استخدام التعلم الخاضع للإشراف عندما تتوفر قيم حقيقية عالية الجودة (GT)، بينما تظل النسخة غير الخاضعة للإشراف مستقرة وقابلة للاستخدام عند عدم توفر القيم الحقيقية. وفي الوقت نفسه، يجب أن تحقق الاستراتيجية المثالية إزالة فعالة للضوضاء دون التضحية بالدقة المكانية.

في HDN، تُستخدم الشبكة الأساسية LVAE لتعلم البنية الهرمية المسبقة لبيانات الصور البيولوجية، مما يسمح بالتقاط ميزات متعددة المستويات من الملامح العامة إلى النسيج الدقيق. والأهم من ذلك، أن هذا النموذج هو نموذج مسبق متعدد الحلول، ولا يخرج بنتيجة واحدة حتمية؛ بينما يُعد نموذج الضوضاء التجريبي جوهر تحقيق التدريب غير الخاضع للإشراف في HDN، حيث يصف الاحتمال الشرطي للإشارة الحقيقية النقية الكامنة خلف الملاحظات المشوبة بالضوضاء في نظام التصوير. والأهم من ذلك، يمكن لهذا الإطار أن يتكيف بسهولة مع التدريب الخاضع للإشراف، مما يتيح لـ HDN استخدام معلومات القيمة الحقيقية النقية المعروفة، مع الحفاظ على خاصيتين رئيسيتين لـ HDN: التمثيل متعدد الحلول وتنوع النتائج القابلة للتعديل.

الحل الثاني الذي تقترحه الدراسة هو بناء إطار لاستعادة الصور المأخوذة بعينات متفرقة، بهدف تمكين تصور الديناميكيات السريعة للخلايا الحية. بشكل محدد، تعتمد مدة الجمع على عدد خطوات المسح، ومن خلال الجمع بين العينات المتفرقة وتقنيات استعادة الصور، يمكن تحسين سرعة التصوير بشكل كبير مع الحفاظ على جودة الصورة. عادةً ما يتم تحديد خطوة العينات المثلى وفقًا لنظرية العينة نيوكويست-شانون (Nyquist-Shannon) لمنع تشوهات التداخل (aliasing) أو المعلومات الزائدة عن الحاجة، حيث تساوي حجم الخطوة ضعف تردد القطع للنظام، أي حوالي نصف الدقة المتوقعة. في تصوير RESOLFT، تكون الخطوة حوالي 20-30 نانومترًا.

بناءً على ذلك، اقترح الباحثون طريقة Fast MoNaLISA. تختصر هذه الطريقة وقت جمع الإطار الواحد عن طريق تخطي بعض خطوات المسح، ثم تستخدم شبكة زيادة الدقة لاستعادة الصور غير المأخوذة بعينات كافية، مما يوفر ميزة واضحة، وهي تحسين الدقة الزمنية دون تغيير جرعة الضوء. وقد استُخدمت هذه الفكرة سابقًا في مجاهر Confocal بحدود الانعراج، لكنها لم تُختبر بعد في التصوير الفائق الدقة النانوي بأقل من 100 نانومتر. بالإضافة إلى ذلك، تتمثل إحدى التفاصيل التقنية الأساسية في هذه الدراسة في الحفاظ على جرعة ضوء تبديل OFF دون تغيير أثناء تقليل العينات، مما يحافظ على دقة التصوير الأصلية على العينة.

يُنفذ Fast MoNaLISA范式ين للتدريب: التدريب أحادي الإطار والتدريب متعدد الإطارات. يهدف التدريب أحادي الإطار إلى استعادة الصورة فائقة الدقة (super-resolution) في المشاهد الثابتة، حيث يزود الشبكة ببيانات من نقطة زمنية واحدة فقط؛ أما التدريب متعدد الإطارات فهو تحسين لطريقة التدريب أحادي الإطار، ويهدف إلى تصوير العمليات الديناميكية السريعة للجزيئات والعضيات داخل الخلوية. في هذه الطريقة، يستخدم الباحثون صورًا متسلسلة زمنيًا (time-lapse) مُخفَّضة العينة كمدخلات بدلاً من لقطة واحدة، ويتم توليد الصور المخفَّضة العينة لكل نقطة زمنية عبر تطبيق خطوات العشوائية ذاتها لتخفيض العينة المستخدمة في التدريب أحادي الإطار. بعد ذلك، تُدرَّب الشبكة للتنبؤ بالنقاط الزمنية الوسطى في التسلسل الزمني، مع الاستفادة من المعلومات الإضافية التي يوفرها السياق الزمني الجديد للصور المدخلة، مما يعزز أمانة إعادة البناء.

من حيث بنية الشبكة، البنية الأساسية لإعادة البناء فائقة الدقة في Fast MoNaLISA هي UNet-RCAN، مع الاحتفاظ بالطبقة الأخيرة من طبقات رفع الدقة (upsampling) في RCAN الأصلية وعدم إزالتها. سبب اختيار هذه الشبكة بسيط، إذ صُممت RCAN أصلاً لمهام رفع دقة الصور، مما يجعلها متوافقة بشكل طبيعي مع مهمة استعادة الصور ناقصة العينة في هذه الدراسة. بالإضافة إلى ذلك، من حيث اختيار البنية، حافظ النموذج على الهيكل الأساسي لشبكة U-Net لمساعدة النموذج على التقارب بشكل أسرع.

تقليل الإضاءة 10 أضعاف، إطالة التصوير الزمني 5 أضعاف، وتسريع التصوير 4 أضعاف

قيّم البحث أولاً قدرة HDN على إعادة بناء صور ذات تبديل ON منخفض. تم اختيار الطرق غير الموجهة Noise2Void (N2V) و Self-Inspired Noise2Noise (SN2N)، والطرق الموجهة Content-Aware Image Restoration (CARE) و UNet-RCAN للمقارنة، وتم التحقق من أداء HDN مقابلها.

أظهرت النتائج أن متوسط العرض الكامل عند نصف الأقصى (FWHM) للحقيقة الأرضية (Ground Truth) هو 58 نانومتر، بينما حافظ كل من HDN و HDNsup على الدقة المكانية بمتوسط FWHM قدره 56 نانومتر و 54 نانومتر على التوالي. بالمقارنة، كان متوسط FWHM للطرق غير الموجهة SN2N هو 120 نانومتر، و N2V هو 93 نانومتر؛ كانت الطرق الموجهة أفضل نسبياً، حيث كان CARE 73 نانومتر و UNet-RCAN 70 نانومتر. ومع ذلك، بسبب ميلها إلى تنعيم الهياكل الخلوية، أدت إلى فقدان معلومات التفاصيل، مما جعل متوسط FWHM أعلى من الحقيقة الأرضية، وانخفضت منحنيات الارتباط الحلقي بفورييه (FRC) في نطاق الترددات المنخفضة. كما هو موضح في الشكل أدناه:

ومع ذلك، تجدر الإشارة إلى أن محدودية أداء طرق إزالة الضوضاء الموجهة لا تنبع من بنية الشبكة نفسها، بل من نقص جودة الحقيقة الأرضية. لذلك، مثلها مثل طرق التعلم الموجه الأخرى، على الرغم من الأداء المتميز لـ HDNsup، إلا أن أدائه لا يزال يعتمد بشدة على جودة الحقيقة الأرضية.

ثم تحقق الباحثون من فعالية طريقة إزالة الضوضاء HDN على هياكل نقطية أكثر ندرة. أظهرت النتائج أن HDN قادرة على استعادة هذه الهياكل النقطية بدقة، والحفاظ على التفاصيل فائقة الدقة التي لا يمكن ملاحظتها في التصوير المشترك البؤري (confocal) المعزز. وهذا ما لا تستطيعه طرق إزالة الضوضاء غير الموجهة الأخرى، كما أكد FRC هذه النتيجة. وبالطبع، عندما تكون نسبة الإشارة إلى الضوضاء منخفضة جداً، تنخفض دقة التنبؤ، لذا يجب اختيار وتحقق مستوى التبديل ON بعناية لضمان موثوقية التنبؤ؛ بالنسبة لـ HIV Gag-IM-rsEGFP2، تظهر عيوب واضحة في إعادة البناء عند نسبة تفعيل مضيئة تبلغ 5%، بينما تعتبر 10% عتبة عمل موثوقة نسبياً.

عند التحقق من إمكانية تحقيق التصوير الزمني طويل الأمد للخلايا الحية، وبما أن طاقة الضوء فوق البنفسجي-المرئي المستخدمة في التصوير كانت حوالي 1/10 من السابق فقط، أدى ذلك إلى إطالة زمن التصوير الزمني بمقدار يصل إلى 5 أضعاف مقارنة بالطريقة التقليدية RESOLFT ذات التبديل ON العالي. كما هو موضح في الشكل أدناه. تجدر الإشارة إلى أن هذه التجارب أُجريت عند مستويات التعبير الذاتي لجزيئات الفيمينتين (vimentin)، وللعينات الأكثر سطوعاً، مثل الغشاء الخارجي للميتوكوندريا rsEGFP2، استُخدم HDN غير الموجه بدلاً من ذلك، مما مكّن من التصوير الزمني لأكثر من 100 إطار.

واصل الباحثون استخدام HDNsup لإجراء تجارب تصوير على هياكل متشابكة معقدة مثل الشبكة الأكتينية. من خلال جمع بيانات عالية الجودة من خلايا مثبتة تعبر عن LifeAct-rsEGFP2، تم التحقق أولاً من قدرته على إعادة بناء الشبكة الأكتينية بدقة، ثم نقله إلى تصوير الخلايا الحية. أظهرت النتائج أن HDNsup نجحت في جمع ما لا يقل عن 50 إطاراً متتالياً، مما حقق مراقبة طويلة الأمد للعمليات الديناميكية للشبكة الأكتينية.

في تقييم التدريب أحادي الإطار والتدريب متعدد الإطارات، استكشف البحث ثلاثة معدلات عينة، وهي 75%، و 50%، و 25%، والتي تقابل زيادة معدل الإطارات بمقدار 1.3 مرة، و 2 مرة، و 4 مرات على التوالي.

أظهرت نتائج التدريب أحادي الإطار أن Fast MoNaLISA يؤدي أفضل أداء على الصور ذات النسبة العالية للإشارة إلى الضوضاء، لذا يجب استخدام مستويات التبديل ON التقليدية، أي 80%-100%، وهو ما يتوافق مع الهدف العام لتقليل جرعة الإضاءة، لأن تخفيض العينة نفسه يقلل من هذه الجرعة؛ ثانياً، يعكس اختيار معدل العينة المقايضة بين سرعة التصوير وموثوقية التنبؤ، حيث أن استخدام معدل عينة بنسبة 50% في التنبؤ أحادي الإطار هو الحل الوسط الأكثر متانة بين السرعة والأمانة. كما هو موضح في الشكل أدناه:

أظهرت نتائج التدريب متعدد الإطارات أن Fast MoNaLISA يمكنه إعادة بناء الصور بدقة حتى في ظروف التصوير عالي السرعة التي تجمع 25% فقط من البكسلات، متجاوزًا بذلك الحدود السابقة للتدريب أحادي الإطار. كما هو موضح في الشكل التالي:

خاتمة

بشكل عام، أقامت هذه الدراسة حلاً هجينًا يجمع بين التصوير التجريبي وإعادة البناء الحسابية، معتمدةً على تقنية RESOLFT المتوازية لتحقيق رصد ديناميكي طويل الأمد للخلايا الحية بالكامل، بدقة مكانية تصل إلى حوالي 60 نانومترًا، مما يسمح بالتقاط الهياكل الدقيقة مثل الهيكل الخلوي وحويصلات الميتوكوندريا، وتتبع الإشارات الضعيفة والجزيئات سريعة الحركة التي كان يمكن تصويرها بشكل ثابت فقط في السابق. مقارنةً بتقنيات التصوير فائق الدقة للخلايا الحية السائدة مثل SIM وSOFI وSTED، حققت هذه الطريقة توازنًا نادرًا بين الدقة دون 70 نانومترًا، وسرعة التصوير، وحجم مجال الرؤية، وتلف الضوء.

والأكثر تقديرًا هو أن الفريق قام حاليًا بفتح مصدر إطار البرمجيات LISAI، كما يمكن نقل الخوارزميات ذات الصلة إلى أنظمة مجهر مسح أخرى مثل STED والمجهر البؤري المتدلي الدوار. وبالطبع، ينطوي إعادة البناء باستخدام التعلم العميق على مسائل مقايضة المعلمات، مما يتطلب ضبط المعلمات بناءً على نسبة الإشارة إلى الضوضاء في العينة؛ وفي المستقبل، يمكن أيضًا تحسين النموذج بشكل إضافي لبناء إطار متكامل يقلل بشكل متزامن من جرعة ضوء التصوير ووقت الاقتناء.