两项新的开源工具即将使荧光寿命成像显微技术（FLIM）变得更快、更简单且更易获取。这些工具由加布里埃拉·卡明斯基·谢勒教授（Gabi Kaminski Schierle）分子神经科学组的博士生索菲亚·卡普西亚尼（Sofia Kapsiani）开发，解决了生物医学成像领域长期存在的技术和实践障碍。
卡普西亚尼采取了双管齐下的方法，创建了FLIMPA这一强大的相量分析软件，以及FLIMngo这一深度学习模型，后者大幅缩短了数据采集时间。两者共同致力于克服FLIM的常见局限性——从成像速度慢到昂贵的闭源软件——以帮助研究人员更灵活地在活体成像和医疗研究中应用该技术。
这两篇论文仅隔数周发布，标志着活体成像研究的重大进展。
最新一篇论文发表于《美国化学学会杂志》（Journal of the American Chemical Society），题为“用于荧光寿命预测的深度学习实现高通量体内成像”，介绍了FLIMngo。
FLIMngo是一种深度学习模型，能够大幅减少收集FLIM数据所需的时间。经过训练后，它可以在极低光子计数条件下工作，并在几秒钟内分析体内图像，同时保持高精度。
这不仅让FLIM变得更迅速，还减少了光暴露和光毒性——这对于活样本的操作至关重要。卡普西亚尼通过使用FLIMngo追踪秀丽隐杆线虫（C. elegans）在其自然寿命内的疾病相关蛋白聚集体，无需麻醉，展示了其潜力。该模型为开源软件，可跨成像系统使用。
“FLIM在活体成像方面具有巨大潜力，但其实用性一直受到限制，”卡普西亚尼表示，“通过这些工具，我们试图消除这些障碍，使FLIM成为更多研究人员可用的更灵活选项。”
较早的一篇论文发表于《分析化学》（Analytical Chemistry），题为“FLIMPA：一种多功能的荧光寿命成像显微技术相量分析软件”，介绍了FLIMPA。
FLIMPA是一款独立的相量分析工具，这是一种日益流行的解释FLIM数据的方法。与商业软件不同，FLIMPA免费、开源且兼容多种文件类型。它结合了高级可视化功能和直观的界面，使研究人员能够比较多个样本并聚焦特定的分子行为。
为了展示其多功能性，卡普西亚尼使用FLIMPA开发了一种新型基于细胞的检测方法，通过追踪SiR-微管蛋白的荧光寿命变化来量化微管解聚——这是抗癌药物研究的关键机制。
“这些成果很好地展示了当深厚技术洞察力与创造力和好奇心相结合时所能取得的成就，”卡明斯基·谢勒教授表示，“索菲亚的工作正在推动FLIM从一个小众工具转变为更加可及和可扩展的技术。”
(全文结束)
