Science Advances：深度学习拉曼成像搞定类器官无标记三维“透视”，不用染色也能看清每个细胞

养了这么久类器官，你真的看清过它吗？

显微镜下那些色彩斑斓的荧光图像，看起来直观又漂亮，但每一抹颜色都对应着研究者提前设定好的靶点。想看点脂质，得专门找脂质染料；想追踪药物，还得给药物挂个荧光标签。那些没被预设的分子，统统淹没在背景里。更别提固定、渗透、染色这一套操作下来，类器官早就不是它原本的活体状态了。

那有没有办法什么都不标记，就能直接读出组织的分子构成？

Science Advances最近刊登了牛津大学Molly M. Stevens团队的一项研究。他们用一束激光配合深度学习算法，在不染色、不切片的前提下，完整重建了神经类器官的三维分子图谱。

拉曼光谱的原理说起来也不复杂。激光打到样本上，不同化学键会让散射光产生特定的频率偏移，相当于每个分子都带着自己独特的物理签名。可问题在于，一个像素点测得的光谱是所有分子信号的叠加，就像煮了一锅乱炖，想单独尝出其中一味调料，难度可想而知。这也是拉曼在复杂生物样本里长期叫好不叫座的真正原因。

研究团队的解法是一个自编码器神经网络。它就像一个味觉极其敏锐的品鉴师，不依赖任何先验知识，直接从混合光谱里把不同分子的特征信号一条条拆解出来，再算出每个像素点上各种组分的相对含量。

这套方法到底准不准？研究者做了一个很直观的验证。他们把深度学习重建的类器官图像和传统免疫荧光的染色结果做了逐像素对比。结果很干脆，深度学习重建的细胞核和细胞膜，与DAPI、DiO的荧光信号高度吻合。尤其是那个标志性的神经花环结构，其顶端膜区被拉曼成像勾勒得一清二楚，位置和形态几乎和荧光照片一模一样。反观传统分析方法出来的图像，要么模糊零散，要么噪声大得根本没法看。

图1. 深度学习增强拉曼成像准确重建神经类器官切片中的核酸与脂质分布，与荧光染色结果高度一致。

分辨率推到1微米后，团队直接拿完整无损的类器官开刀。单个细胞核、细胞膜边界，甚至细胞内的脂滴，全都被清晰捕获。逐层扫描再三维重建，神经花环的立体构象第一次被完整呈现出来，这事儿搁传统切片方法里基本做不到。

图2. 完整神经类器官亚细胞分辨率成像，清晰分辨细胞核、细胞膜及脂质结构。

真正让这项技术从好看变为好用的，是它追踪发育的能力。研究者选取培养第5到40天五个关键节点，系统扫描了大量类器官。结果一目了然。第5到10天，细胞疯狂增殖，核酸信号冲到最高点；进入第20天以后，脂质信号开始显著爬升，刚好对应神经突起生长和突触形成的高峰期。有些蛋白从一开始就稳定表达，有些则等到中后期才在特定区域冒出来。整个类器官从野蛮生长到有序成熟的分子历程，被拉曼光谱一五一十记录了下来，全程没用一滴抗体。

图3. 追踪神经类器官发育过程中脂质、蛋白质、核酸的时空动态变化。

这套技术的想象空间远不止类器官成像。不用标记、不用预知靶点、不破坏样本，就凭这三个特点，药物分布追踪、疾病模型表型筛查、干细胞质量控制全都能往上靠。更重要的是，拉曼与活细胞培养天然兼容。虽然眼下做的是固定样本，但路已经铺好了。也许用不了多久，研究者就能一边看着类器官慢慢长大，一边实时读取每一个细胞在每一刻的分子状态，那才是真正意义上的活体观测。（生物谷Bioon.com）

参考文献：

Georgiev D, Xie R, Reumann D, et al. Label-free biochemical imaging and time point analysis of neural organoids via deep learning-enhanced Raman microspectroscopy. Sci Adv. 2026;12(33):eaec5080. doi:10.1126/sciadv.aec5080