清華與華科團隊打造AI介觀顯微鏡，1次實驗抵過去100次

想要理解生命如何運作，我們首先要能夠看見生命。

長期以來，生命科學研究主要依賴體外顯微成像：研究人員將組織切片、固定或培養后，再放到顯微鏡下觀察。這種方式能夠獲得清晰、穩定的圖像，卻難以保留生命活動真實發生的環境。因為細胞離開身體后，血液不再流動，神經、血管與免疫系統之間的相互作用也會被打斷，許多動態生命過程因此難以完整呈現。

相比之下，活體顯微成像能夠在動物仍然存活、器官持續工作的狀態下，直接觀察細胞、血管、神經等結構隨時間發生的動態變化，因此近年來逐漸成為腦科學、免疫學、腫瘤研究和藥物研發等領域的重要研究工具。

然而，活體成像長期面臨一個關鍵問題：想看得廣，就很難看得清；想看得清，又往往只能覆蓋很小的一片區域。如何在毫米級視野下保持亞細胞分辨率，一直是活體顯微成像領域最具挑戰性的難題之一。

近日，清華大學戴瓊海院士團隊聯合華中科技大學同濟醫學院附屬同濟醫院王偉教授團隊，在 Nature Biotechnology 發表最新研究成果，推出新一代AI賦能的活體介觀三維顯微成像系統 RUSH3D-HR。借助這一系統，研究團隊首次連續記錄了針灸神經調控過程中遠端器官的活體動態變化，為研究神經—免疫調控機制提供了新的觀察手段。

（來源：論文）

實現這一成果的關鍵，在于團隊融合了新型光學系統、計算成像與人工智能技術，在毫米級大視野下實現亞細胞分辨率，并能夠長時間連續追蹤活體內的大規模細胞群體。根據論文展示的數據，1 次實驗覆蓋的成像通量約相當于過去 100 次實驗。這為生命科學研究提供了一種新的觀測工具，也為腦科學、神經科學等領域獲取高質量活體動態數據，以及 AI for Science 發展提供了新的基礎。

論文共同第一作者為清華大學心理與認知科學系盧志助理教授、華中科技大學同濟醫學院附屬同濟醫院汪明歡教授、復旦大學陳文韜博士生，共同通訊作者為清華大學戴瓊海院士、吳嘉敏副教授和華中科技大學同濟醫學院附屬同濟醫院王偉教授。這項工作橫跨人工智能、計算成像、光學設計、生命科學和基礎醫學等多個方向，由多個團隊共同完成。

（來源：受訪者）

1 次實驗，為何能夠抵過去 100 次實驗？

在顯微鏡下，“看得廣”和“看得清”通常很難同時兼顧。

傳統高分辨率顯微鏡可以清晰分辨單個細胞甚至細胞內部的細微結構，但一次覆蓋的范圍往往只有數百微米，只能觀察十幾個甚至幾十個細胞。如果研究對象只是單個細胞，這樣的視野已經足夠；但炎癥、傷口修復、腫瘤轉移等生命過程，往往涉及成千上萬個細胞以及血管、免疫系統之間的相互作用，僅觀察局部區域，很容易錯過整體變化。

介觀顯微成像（Mesoscopic microscopy）正是為了解決這一問題而發展起來。它將成像范圍擴大到毫米級，可以同時觀察大規模細胞群體，但過去分辨率大多停留在細胞尺度，難以繼續看清細胞器等亞細胞結構。

RUSH3D-HR 試圖突破的正是這一瓶頸。為此，團隊自主研制了一枚名為“昆侖”的大視場高數值孔徑物鏡，在毫米級視野內盡可能保持較高的分辨率。與此同時，團隊又將掃描光場、計算成像和一系列人工智能算法整合到同一套系統中，對圖像進行背景抑制、運動校正和三維重建。

圖 ｜ 昆侖物鏡與RUSH3D-HR示意圖（來源：論文）

論文第一作者盧志向 DeepTech 表示，團隊真正突破的不是某一個單獨的光學指標，而是將光學硬件與人工智能算法深度融合，在保持大視野的同時進一步提升了分辨率。

這種提升最終體現在實驗效率上。傳統高數值孔徑顯微鏡單次只能覆蓋數百微米的局部區域，而 RUSH3D-HR 能夠連續觀測毫米級范圍。按照覆蓋范圍估算，“1 次實驗大致相當于過去 100 次實驗。”

（來源：論文）

這種能力對于尋找罕見生命現象尤為重要。因為許多關鍵事件并不會發生在固定位置，例如免疫細胞之間短暫的相互作用，或某些細胞器在少數細胞中的瞬時出現。如果一次只能觀察很小的區域，研究人員往往需要重復大量實驗，才能捕捉到這些稍縱即逝的過程。

盧志告訴 DeepTech，過去為了等待一個罕見現象出現，學生往往需要反復重復實驗，“有時候一個博士幾年時間都在等一個瞬間。而現在可以被大大加速了。”如今，一次實驗能夠覆蓋更大的范圍，也意味著那些過去容易錯過的生命過程，更有機會被完整記錄下來。從這個意義上說，RUSH3D-HR 壓縮的不只是實驗次數，也縮短了發現罕見生命現象所需的時間。

除了電針神經調控，論文還展示了傷口愈合、急性肝衰竭等多個應用場景。

在小鼠皮膚損傷實驗中，研究團隊進行了超過 10 小時的連續成像，追蹤了近 2 萬條持續 10 分鐘以上的中性粒細胞運動軌跡。他們發現，大量中性粒細胞會向傷口長距離遷移，并沿真皮脂肪組織之間的空隙形成網狀路線；部分細胞在抵達傷口前便停下聚集，提示傷口周圍可能已經形成新的局部炎癥區域。

（來源：論文）

在論文配套的視頻中，縱橫交織的血管與不斷遷移的免疫細胞構成了一幅動態畫面，整體形態像極了一樹盛開的梅花。

（來源：受訪者）

第一次看見：電針如何通過外周神經調控炎癥

不過，在團隊看來，電針實驗最能體現 RUSH3D-HR 的價值。它關注的并不是針刺局部發生了什么，而是針刺之后，遠離刺激部位的免疫器官如何發生變化。這正是傳統顯微鏡難以完成，而 RUSH3D-HR 擅長解決的問題：連續、大范圍地觀察復雜生命過程。

這讓人很容易聯想到中醫的針灸機制。近年來越來越多研究表明，針灸并非直接作用于免疫系統，而是首先激活外周感覺神經，再通過神經通路調節遠端器官的免疫反應。

例如，此前已有動物實驗發現，對小鼠后肢足三里進行低強度電刺激，可以激活特定感覺神經元，并通過迷走神經—腎上腺通路調節全身炎癥。然而，這些研究主要揭示了神經信號如何傳遞，但電刺激之后，遠端免疫器官中的大量細胞究竟如何響應，一直缺乏能夠長時間、大范圍實時觀察的技術。

這部分實驗由清華大學團隊與同濟醫院神經內科王偉教授、汪明歡教授等長期研究腦與神經科學的醫學科學家合作完成。研究團隊首先向小鼠注射脂多糖誘導急性炎癥，隨后利用 RUSH3D-HR 連續觀察脾臟約 5 小時，并追蹤每只小鼠超過 6,000 個中性粒細胞。

結果發現，與正常狀態相比，炎癥小鼠脾臟中的中性粒細胞數量增加約 30%，平均遷移速度也由每秒 3.53 微米提高到 3.80 微米。更引人注意的是，大量中性粒細胞會在短時間內快速聚集到同一點，形成由數百個細胞組成的“群聚”，隨后再逐漸散開。這種現象在正常小鼠中平均只出現約 2 次，而炎癥狀態下增加到約 20 次。研究團隊據此提出，中性粒細胞群聚有望成為一種新的介觀炎癥生物標志物。

隨后，研究人員在注射脂多糖 2.5 小時后，對小鼠足三里施加 0.5 毫安電針刺激，并繼續觀察脾臟中的免疫細胞變化。結果顯示，與僅接受脂多糖處理以及針刺但不通電的 0 毫安對照組相比，0.5 毫安電針組的中性粒細胞群聚事件減少了 5 倍以上，而不通電的針刺并未產生類似效果。

（來源：論文）

需要說明的是，這項研究記錄的是電針刺激后脾臟免疫細胞的動態變化，并沒有直接拍攝神經信號沿外周神經傳導的全過程；實驗對象也僅限于小鼠，不能直接外推到人體臨床療效。它提供的更多是一種新的研究工具——通過標準化刺激，連續記錄遠端器官中大規模細胞群體的動態變化，為研究神經—免疫調控機制提供更直接的觀察證據。這一思路未來也有望擴展到腦科學研究，例如長期觀察神經元、膠質細胞等在神經退行性疾病中的動態變化。

盧志還告訴 DeepTech，這一方法理論上也有望用于研究拔罐、刮痧等其他中醫藥外周干預方式。不過，這些干預是否會產生類似效應，以及具體通過什么機制發揮作用，仍有待進一步研究驗證。

AI 正在成為生命科學研究的一部分

除了光學系統本身，這項研究的另一大特點，是人工智能已經深度融入整個成像過程。

RUSH3D-HR每秒會產生約700 億體素的數據，一個三維時間點重建后的數據量接近 20GB。如此龐大的數據，僅靠傳統圖像處理方法很難完成實時分析。為此，研究團隊將原始視野拆分成多個區域并行處理，并利用人工智能完成運動偽影校正、去噪、像差修正和三維重建。論文顯示，這套計算管線相比傳統反卷積算法，處理速度提升了 1,000 倍以上。

不過，AI 的作用并不僅僅是讓顯微鏡運行得更快。沒有計算成像和人工智能，僅靠光學硬件，很難同時實現目前的大視野和亞細胞分辨率。對團隊而言，真正的突破并非某一項光學指標，而是將光學硬件、計算成像與 AI 融合為一個整體系統。

更重要的是，這套系統正在持續產生此前難以獲得的活體動態數據。無論是腦科學中神經元和膠質細胞的長期活動，還是神經退行性疾病、發育生物學等領域涉及的大規模細胞協同行為，都需要長時間、連續、高通量的活體觀測。這類數據不僅是科學研究的重要基礎，也是人工智能理解生命過程所需要的訓練數據。

在他們看來，目前 AI 更多提升的是顯微鏡的“感知”能力，而未來更重要的是讓 AI 具備“認知”能力，能夠從海量實驗數據中發現規律，并參與科學研究本身。盧志表示，過去幾年，他們更多是在“造鏟子”，不斷提升活體成像能力，獲取更高質量、更大規模的數據；下一階段，則希望利用這些數據訓練面向生命科學的人工智能模型。

圖｜研究團隊（來源：受訪者）

按照這一設想，未來 AI 不僅能夠參與圖像重建，還可以進一步參與實驗規劃、拍攝區域選擇、參數優化和數據分析等環節，逐步將整套實驗平臺發展為能夠自主決策的"具身智能 Agent"。屆時，它服務的也不僅僅是針灸或免疫研究，而將擴展到腦科學、神經科學、腫瘤、發育等更多生命科學領域。

對于目前的 RUSH3D-HR 而言，它更現實的意義仍然是持續提供高質量的活體動態數據，為 AI for Science 打下基礎。而隨著生命科學不斷為 AI 提供新的數據和知識，AI 又將反過來幫助科學家理解生命、設計實驗，最終形成“AI for Science—Science for AI”循環。

1.Lu, Z., Wang, M., Chen, W. et al.High numerical aperture confocal volumetric mesoscope reveals mesoscale subcellular dynamics in vivo. Nature Biotechnology(2026). https://doi.org/10.1038/s41587-026-03231-z

排版：胡莉花

注:封面/首圖由 AI 輔助生成