结合多次DBSCAN和层次聚类算法的膜蛋白单分子定位超分辨图像分割

膜蛋白在细胞膜上的时空分布形式决定了其活性状态及功能,在调控细胞生命活动过程中起着重要作用。单分子定位超分辨成像(SMLM)技术为在纳米尺度解析膜蛋白的空间分布提供了可能,但分辨率的极大提升对图像准确聚类分割提出了更高要求。基于密度的空间聚类算法(DBSCAN)是常用的聚类方法之一,但其对于膜蛋白分布不均匀的SMLM超分辨图像的分割效果往往不太理想。本文提出了一种结合多次DBSCAN和层次聚类的混合聚类算法,该算法以DBSCAN方法为分割基础,通过进一步的面积阈值分析和层次聚类,在保持超分辨点簇图像精确聚类识别的前提下,仍能保留每个点簇内的多次定位信号。将该算法应用于模拟数据集和实验数据分割得到的轮廓系数等性能普遍优于传统DBSCAN算法。这种混合聚类方法为膜蛋白SMLM超分辨图像的聚类分割提供了新思路和新方法,有助于更精准地分析膜蛋白在纳米尺度上的空间分布信息。

单分子定位超分辨成像技术进展及应用

21世纪初诞生的超分辨光学成像技术凭借纳米级空间分辨率、低损制样等优点,迅速发展成为生命科学研究中不可或缺的技术手段。其中单分子定位超分辨成像(SMLM)技术更是由于其成像原理易懂、空间分辨率极高等特点,一直受到科研工作者的青睐,不断取得重要的技术和应用进展。首先回顾了SMLM的工作原理,讨论了其光路搭建、图像重建、漂移校正等关键技术问题。介绍了两类代表性SMLM技术。列举了多种多色SMLM方法,并分析了各自的优缺点。介绍了SMLM成像参数的改进研究,包括横/纵分辨率的提高、成像视野和深度的改善。介绍了SMLM和深度学习,SMLM和电镜等成像手段结合的关联成像研究进展。讨论了SMLM数据提取与分析方法。最后列举了SMLM在细胞生物学中的重要应用,并展望了SMLM未来的发展方向。期望该综述能为SMLM工作者提供有益的启发和参考,推进SMLM在生命科学研究中的深入应用。