使用线扫描振动和频产生显微技术的多模态非线性高光谱化学成像
2023年12月1日
开发了一种多模态快速高光谱成像框架，用于获取宽带振动和频生成（VSFG）图像，同时结合明场和二次谐波产生（SHG）成像模式。由于红外频率与分子振动共振，该方法可揭示具有对称性允许特性的样品的微观结构和介观形貌信息。
我们的目标是研究介观尺度上具有异质性的自组装样品（如生物组织），以揭示其化学组成和分子排列。我们正在探索这些自组装材料的微观排列和介观形貌如何与其微观性质相关联。随着高数值孔径和基于反射的显微物镜技术的进步，我们及其它研究团队已实现了分辨率达到一平方微米的振动和频产生显微成像，该技术可同时记录软物质的图像并空间分辨其光谱，从而形成所谓的高光谱图像。
高光谱成像以多个维度记录实验数据，包括两个空间维度、一个频率维度，可能还有一个时间维度。然而，如何快速采集、存储和分析此类大数据以最大化信息获取，仍然是一个挑战。仅对图像进行采样以收集有用的数据点也同样具有挑战性。
通过开发更快的线扫描技术，我们可以将数据采集时间加快100倍。此外，该显微镜兼容和频生成（SFG）、二次谐波生成（SHG）以及宽场成像。多模态成像可实现利用光学成像对样品进行快速检测，并关联多种成像模态。
二次谐波成像有助于我们技术的光学手段，尽管缺乏光谱分辨能力，但在生物物理学中已得到广泛应用。我们的和频共振显微镜现在将能够提供目前在软组织生物物理研究中所缺失的强有力分子水平洞察。
查看完整文字稿并访问数千部科学视频
概述
本研究提出了一种多模态高光谱成像框架，旨在同步获取宽带振动和频生成（VSFG）图像、明场图像以及二次谐波生成（SHG）成像模态图像。该框架旨在增进对自组装生物组织中微观和介观结构的理解。
关键研究组成部分
科学领域
- 神经科学
- 生物物理学
- 成像技术
背景
- 自组装样品表现出介观尺度的异质性。
- 理解化学组成和分子排列至关重要。
- 显微技术的进步提高了分辨率和成像能力。
- 高光谱成像可捕获多个维度的数据。
研究目的
- 研究微观排列与介观形貌之间的关系。
- 提高软材料在高分辨率下的成像效果。
- 解决高光谱成像中数据采集与分析的挑战。
使用的方法
- 多模态成像框架的开发。
- 利用振动和频产生显微技术。
- 多种成像模态的同步记录。
- 高光谱图像的数据采集与分析技术。
主要结果
- 成功获取宽带VSFG图像。
- 提升自组装生物组织成像的分辨率。
- 深入了解样品的结构与形态特征。
- 识别数据管理与分析中的挑战。
结论
- 该开发的框架显著提升了成像能力。
- 它为深入了解生物组织的特性提供了宝贵见解。
- 未来的工作将集中于改进数据处理技术。
常见问题
行业重要性概述
利用线扫描VSFG显微技术进行多模态非线性超光谱化学成像，能够实现对生物组织和自组装材料中化学与结构异质性的高分辨率、无标记可视化。该技术填补了介观形貌和分子排列解析能力的关键空白，有助于提升早期发现和靶点验证的预测可靠性。该方法通过提供传统成像手段无法获取的分子水平信息，增强了项目组合决策的科学依据。
生物制药研发中的战略应用
早期发现与靶点验证
- 能够直接可视化与生物靶标相关的非中心对称和手性结构。
- 通过将化学组成与介观形貌相关联，支持功能靶标的验证。
- 提高在软组织和自组装系统机制研究中的预测可信度。
筛选与检测方法开发
- 促进下游筛选工作流程中经验证的生物系统的制备。
- 提供定量的、空间分辨的化学信息，用于检测标准化。
- 实现对异质样品的可重复成像，支持对化合物的可靠评估。
转化与临床前研究
- 将成像结果与疾病相关的组织结构对齐，以支持转化生物标志物研究。
- 通过原位解析分子排列，支持从发现到临床前验证的连续性研究。
- 通过阐明复杂样本中的结构-功能关系，降低生物学风险。
流程与工作流整合
该成像平台贯穿早期发现到临床前研究的全过程，连接了假设验证、靶点确认和转化研究。
- Discovery Biology：提供高内涵、无标记的化学成像，用于假设验证和通路解析。
- Screening：提供可重复的定量输出，用于检测就绪性评估和化合物筛选。
- Analytics：生成高光谱数据集，实现对样品状态和形态的稳健比较。
- Translational Research：将分子成像与疾病相关的组织分析相连接，支持生物标志物的匹配。
- Enterprise Reuse：提供可扩展、多模态的成像能力，适用于多种生物和材料系统。
运营与企业影响
- 科学价值：提高靶点验证中的预测可信度，降低机制上的不确定性。
- 操作价值：加快数据获取速度，为异质性样本提供标准化的成像工作流程。
- 战略价值：通过在研发早期提供分子水平的洞察，支持决策推进或终止项目，提升资本使用效率。
- 项目组合影响：支持基于风险调整的发现与临床前项目优先排序和推进。
实施注意事项
- 需要具备非线性光学成像和高光谱数据分析的专业知识。
- 需要先进的仪器设备，包括高数值孔径物镜和线扫描技术。
- 需要跨团队在数据采集和解释方面进行标准化。
- 经过适当优化，可适用于多种生物和材料模型系统。
- 数据管理和分析基础设施必须能够应对大规模高光谱数据集带来的挑战。
