近日，南方科技大学生物医学工程系副教授李依明课题组在高效单分子定位方法研究领域取得重要进展，相关成果发表于《自然—通讯》。

单分子定位显微镜是目前主流三大超分辨显微镜之一，因其兼具超高的空间分辨率和分子特异性，在众多显微成像技术中拥有独特的优势。近年来，深度学习方法的引入显著提升了单分子定位显微镜在低信噪比与高密度样本下的定位精度。

目前，以高内涵筛选为目标的高通量超分辨成像技术已成为单分子定位显微镜发展的主要方向。现有深度学习网络因其模型复杂度高，在高通量成像场景中普遍存在处理延时长、资源消耗大等问题，严重制约了其在实际应用中的部署。虽然已有一些模型压缩技术可降低网络复杂度，但往往以牺牲定位精度为代价，难以满足单分子定位显微镜对高精度定位的需求。

为解决上述问题，研究团队提出了一种名为LiteLoc的基于轻量化深度学习网络的可扩展分析框架。该框架结合了由粗、细特征提取器构成的轻量化深度学习网络与一套可扩展的竞争式并行数据分析策略。该方法在保证高定位精度的前提下，将网络推理速度提升三倍以上，显著缓解了基于散光点扩散函数的复杂性、结构化数据伪影和成像条件多样性带来的挑战，适用于不同生物样本的超分辨成像任务。

研究显示，在8张RTX 4090显卡上，LiteLoc实现了超过560兆每秒的吞吐量，能够实时分析由现代sCMOS相机采集的高通量超分辨成像数据。此外，LiteLoc对计算资源的需求较低，便于集成至标准单分子定位显微镜分析流程，并与聚类、追踪或结构重建等下游模块结合，实现高效一体化的超分辨数据处理流程。

该研究为基于深度学习的单分子定位显微镜设立了一个兼顾定位精度与计算效率的新基准，为生命科学领域的高效、可扩展成像工作流程提供了高效的解决方案。

相关论文信息：https://doi.org/10.1038/s41467-025-62662-5

研究示意图。南科大供图