综述：单分子跟踪分析中的机器学习：超分辨率光学显微镜数据的应用 作者：Lucas A. Saavedra 和 Francisco J. Barrantes

《Cells》：Machine Learning in Single-Molecule Tracking Analysis of Superresolution Optical Microscopy Data Lucas A. Saavedra and Francisco J. Barrantes

　　

摘要

机器学习（ML）正在改变生物分子数据的分析方式，为提高显微镜图像分析的效率和准确性以及研究活细胞中分子的动态提供了巨大潜力。随着数据驱动方法的发展，它们最终可能会取代那些依赖传统分析方法的传统统计方法。本文回顾并批判性地分析了将机器学习技术应用于使用超分辨率光学显微镜获得的动态单分子数据集的各种数据监督水平的最新进展。这些技术统称为“纳米显微镜技术”，目前包括靶向技术（如受激发射耗尽显微镜STED）和随机技术（如单分子定位显微镜SMLM，其中包括光激活定位显微镜PALM、用于纳米尺度地形成像的DNA点积累显微镜DNA-PAINT以及最小荧光光子通量显微镜MINFLUX）。这些技术都能够实现对亚细胞成分和分子的成像，超越了衍射极限；其中一些技术还能够实时研究它们的动态。本文介绍了几种有助于在活细胞中进行二维或三维运动分析的机器学习技术，并对这些技术进行了定性和定量表征。预计，基于学习的方法在生物显微镜数据处理中的日益广泛应用将显著提高处理效率，并加速这一快速发展的领域的进步。